XiaoMi-AI文件搜索系统
World File Search Systemnips
如果font -nips纸 - 神经2024
几乎没有字体生成（FFG）旨在从有限数量的参考字形学习目标样式，并在目标字体中生成剩余的字形。以前的作品着重于解开字形的内容和样式特征，将源字形的内容特征与参考文字的样式特征相结合以生成新的字形。然而，由于字形的复杂性，分离构成了挑战，通常导致字形受到源字形风格和容易产生文物的风格的字形。我们提出了一个新的范式，它是一种新颖的范式，其中包含了思想描述序列（IDS），而不是源字形来控制生成的字形的语义。为了实现这一目标，我们将参考字形量化为代币，并使用相应的ID和参考令牌对目标字形的令牌分布进行建模。所提出的方法在用整洁和正确的笔触合成字形方面表现出色，并可以基于提供的ID来创建新的字形。广泛的实验表明，我们的方法在一击和少量设置中都大大优于最先进的方法，尤其是当目标样式与培训字体样式显着差异时。该代码可在https://github.com/stareven233/if-font上找到。
Exentric到中心的视频生成-NIPS Papers
我们介绍了Exo2EGO-V，这是一种新颖的以外为中心为中心的基于质量扩散的视频生成方法，用于日常生活熟练的人类活动，其中稀疏4-视图中心的观点在现场周围配置了360°。由于外主和以自我为中心的观点和动态运动和现实世界中日常生活环境之间的显着差异，此任务尤其具有挑战性。为了应对这些挑战，我们首先提出了一种新的基于扩散的多视图外科编码器，以从多视图exentric视频中提取密集的多尺度功能，作为以自我为中心视频的外观条件。然后，我们在提供空间对立的自我中心特征之前设计了一个自以为是至中心的视图翻译，作为对以egipentric视频扩散模型的输入的串联指导。最后，我们将时间关注层引入我们的以自我为中心的视频扩散管道中，以改善温度一致性跨eg中心框架。广泛的实验表明，Exo2EGO-V从EGO-EXO4D数据集中显着超过SOTA方法，而LPIP的平均为35％。我们的代码和模型将在https://github.com/showlab/exo2ego-v上提供。
音频学习专家的混合物 - NIPS论文
随着多媒体技术的快速发展，视听学习已成为多模式分析领域中有前途的研究主题。在本文中，我们探讨了视听学习的参数有效传输学习，并提出了专家的视听混合物（AVMOE），以灵活地将适配器注入预训练的模型中。具体来说，我们将单峰和跨模式适配器作为多个专家介绍，分别专门研究模式内和模态信息，并采用轻巧的路由器根据每个任务的特定需求动态分配每个专家的权重。广泛的实验表明，我们提出的方法AVMOE在包括AVE，AVVP，AVS和AVQA在内的多个视听任务中取得了卓越的性能。此外，仅视觉实验结果还表明，我们的方法可以解决丢失模态信息的具有挑战性的场景。源代码可从https://github.com/yingchengy/avmoe获得。
![arxiv：2412.04469v1 [CS.CV] 2024年12月5日-NIPS Papers](/simg/g:\will\search\icon\source\d\d2c25b9caa37938f66dbb4fdda58fd675645fcf3.webp)
arxiv：2412.04469v1 [CS.CV] 2024年12月5日-NIPS Papers
在线免费视频视频（FVV）流是一个具有挑战性的问题，相对探索。它需要对体积表示，快速训练和渲染以满足实时限制的逐步更新，并需要少量的内存足迹，以进行有效的传输。如果实现了，它可以通过启用新颖的应用程序来增强用户体验，例如，3D视频会议和实时体积视频广播等。在这项工作中，我们提出了一项新颖的框架，用于使用3D高斯脱落（3D-GS）进行量化和高效编码（Queen）用于流式FVV。Queen直接在每个时间步长的连续框架之间直接了解高斯属性，而无需对它们施加任何结构性约束，从而允许高质量的重建性和普遍性。为了有效地存储残差，我们进一步提出了一个量化 - 表格性框架，其中包含一个学识渊博的潜在码头编码器，用于有效地量化除高斯位置以外的属性残差和学习的门控模块以稀疏位置残留物。我们建议将高斯视图空间梯度差矢量作为信号，以分离场景的静态和动态内容。它是有效的稀疏学习和加快训练加快训练的指南。在不同的FVV基准测试方面，女王的表现优于所有指标的最新在线FVV方法。值得注意的是，对于几个高度动态的场景，它将模型大小降低到仅0。每帧在5秒钟以下训练时每帧7 MB，并以约350 fps的形式渲染。
MLLMS的密集连接器-NIPS论文-Neurips 2024
我们是否充分利用多模式大语模型（MLLM）中视觉编码器的潜力？MLLM最近在多模式理解中的出色表现引起了学术界和行业的广泛关注。在当前的MLLM大鼠种族中，重点似乎主要是语言方面。我们目睹了较大和更高质量的指导数据集的兴起，以及大型LLM的参与。然而，很少关注的注意力指向MLLM使用的视觉信号，通常被认为是冷冻视觉编码器提取的最终高级特征。在本文中，我们介绍了密集的连接器 - 一种简单，有效且插件的视觉语言连接器，通过利用多层视觉特征来显着增强现有MLLM，并以最少的额外计算开销。在此基础上，我们还提出了有效的密集连接器，该连接器的性能与Llava-V1.5相当，只有25％的视觉令牌。此外，我们的模型仅在图像上进行了训练，还展示了视频理解中出色的零拍功能。各种视觉编码器，图像分辨率，训练数据集量表，不同尺寸的LLM（2.7b→70b）以及MLLM的不同架构（e。g。，llava-v1.5，llava-next和mini-gemini）验证了我们方法的多功能性和可扩展性，从而在19个图像和视频基准中实现了最先进的性能。我们希望这项工作将提供宝贵的经验，并成为未来MLLM开发的基本模块。代码可在https://github.com/hjyao00/denseconnector上找到。
棱镜对准数据集：什么参与性-NIPS论文
人类反馈是大语言模型（LLMS）的一致性的核心。但是，关于方法，域（Who），人（WHO）和目标（到什么目的）的方法（如何），反馈过程的开放问题仍然存在。为了浏览这些问题，我们介绍了P rism，该数据集绘制了来自75个国家 /地区的1,500名不同参与者的偏好，并在8,011个现场对话中以21 llms的方式表示偏好。使用P RISM，我们贡献了（i）更广泛的地理和人口参与反馈； （ii）两个国家的人口普查代表样本（美国，美国）； （iii）与详细参与者概况相关的个性化评级，允许样本人工制品的个性和归因。我们针对具有价值和有争议的问题的主观和多元文化观点，我们期望人际关系和跨文化分歧。我们在三个案例研究中使用P RISM来证明需要仔细考虑人类提供哪些对齐数据的需要。
knova产前细胞无DNA筛选（NIPT/NIPS）
•有资格获得全诺瓦面板的患者包括至少10周妊娠的单胎怀孕的患者。•使用卵子供体的双胞胎怀孕和IVF妊娠仅符合我们的核心Knova面板，其中包括Trisomies 13、18和21。•高阶倍数（三胞胎和更高）不符合此测试的条件。•对于有卵子供体，胎儿灭亡，消失的双胞胎或减少病史的病例，无法进行测试。
RE：BKV尿液DNA定量测试发送给LabCorp无细胞的无细胞DNA筛选v3.0分析（又称NIPT或NIPS） - 测试更新
•测试名称：“产前无单元的DNA屏幕（13、18、21，x，y）（+/- 22Q）”•如果需要，请通过在顺序调查表中选择此方法。•如果不需要22Q微骨骼，EPIC将触发“ NIPT（13、18、21，X，Y）”测试。•如果此测试以前是订单集，最爱或优先列表的一部分，则将在Go-Live中删除，并且需要由提供商手动重新添加。•样品收集和处理保持不变。•周转时间保持不变。
巴基斯坦经济讲座报告：挑战......
伊斯兰堡国立现代语言大学 (NUML)。 Muhammad Zahid Siddique 先生，S3H NUST 经济学系主任。 Samina Naveed 博士，S3H NUST 助理教授。 Muhammad Naeem Murtaza 先生，AR 集团首席执行官。 Raza Khan 先生，PTV World 特约记者。 Waqar 中校，拉瓦尔品第总部。 Ali 少校，拉瓦尔品第总部。 Wajiha Haq 博士，S3H NUST 助理教授。 Imran Said 博士，S3H NUST 助理教授。 Farah Naz 博士，S3H NUST 助理教授。 Saadia Saif Niazi 女士，NUML 讲师。 Adnan Ali 先生，NIPS 研究助理。 Sobia Khursheed 女士，NIPS 合作部助理主任。 Hannan Rashid 先生，NIPS 助理主任。 Adeeba Rehman 女士，NIPS 协调员 Daniya Gardezi 女士，NIPS 研究实习生。
