![Предлагаемая стратегия обучения представлений использует потери переноса изображений для обучения разделенным представлениям, где декодер комбинирует геометрические латенты [latex]\mathbf{X}\_{g\_{i},c\_{i}}[/latex] с контрастными латентами [latex]\mathbf{X}\_{g\_{j},c\_{j}}[/latex] для генерации нового изображения, реализуя тем самым перенос контраста для [latex]\mathbf{X}\_{g\_{i},c\_{i}}[/latex] или перенос геометрии для [latex]\mathbf{X}\_{g\_{j},c\_{j}}[/latex], а модули FiLM, применяя глобальное усреднение (GAP) и полносвязный (FC) слой к картам признаков энкодера [latex]\mathbf{F}\_{enc}^{l}[/latex] для получения [latex]\mathbf{z}\_{c}^{l}[/latex], затем разделяют их на параметры модуляции [latex]\boldsymbol{\gamma}\_{c}^{l}[/latex] и [latex]\boldsymbol{\beta}c^{l}[/latex] для модуляции карт признаков декодера [latex]\mathbf{F}\_{dec}^{l}[/latex] на соответствующем уровне.](https://arxiv.org/html/2512.24674v1/Fig_training.png)
Исследователи предлагают инновационный метод восстановления изображений магнитно-резонансной томографии, основанный на разделении и эффективном использовании геометрических и контрастных характеристик.
Исследователи представили UniC-Lift — метод, позволяющий эффективно создавать согласованные трехмерные модели объектов на основе данных из нескольких источников.
![Исследования демонстрируют, что поправки к физически обоснованному DFT-приближению, а именно [latex]\phi\_{\theta}^{(1,3)}[/latex] и [latex]\phi\_{\theta}^{(2,4)}[/latex], позволяют точно моделировать плотность адсорбированной жидкости, воспроизводя как объемную бинодаль с корректными областями жидкости и газа, так и структуру слоев жидкости у стенки и наклон границы раздела фаз жидкость-пар.](https://arxiv.org/html/2512.23840v1/images/def/correction_effects.png)
Исследователи объединили классическую теорию функционала плотности с алгоритмами машинного обучения для более точного и эффективного моделирования сложных физических процессов, таких как смачивание.
![Исследование демонстрирует, как альтернативные представления ненаблюдаемой скрытой переменной [latex]U[/latex] оказывают существенное влияние на обоснованность предположений, лежащих в основе приближённого причинного вывода, причём модификации, включающие совместную конструкцию [latex]U_{1,2} = (U_1, U_2)[/latex] или введение дополнительной ненаблюдаемой переменной [latex]U_2[/latex], могут кардинально изменить интерпретацию причинных связей в направленном ациклическом графе.](https://arxiv.org/html/2512.24413v1/x4.png)
В статье представлен обзор современного подхода к оценке причинно-следственных связей в условиях скрытого смещения, использующего прокси-переменные для обхода ограничений традиционных методов.
Новая методика позволяет детально редактировать 3D-анимацию человека, используя лишь текстовые инструкции.
Новая система PhysTalk позволяет интуитивно управлять физическими свойствами 3D-объектов, создавая реалистичные и динамичные сцены на основе текстовых команд.
Исследование показывает, что механизм работы гиппокампа может быть сведен к вычислению стационарного распределения случайного блуждания по графам, объединяя процессы запоминания и планирования маршрута.
Новое исследование объединяет байесовскую калибровку моделей, глобальный анализ чувствительности и эксперименты с ударными нагрузками для повышения точности прогнозирования свойств кубических кристаллов.
Новая система ViReLoc объединяет визуальное планирование и геолокацию для обеспечения безопасной и понятной автономной навигации в сложных условиях.
![Нейронная оптимизация дифференциального уравнения (Neural OED) успешно восстанавливает структуру конечных точек и оптимальное асимптотическое разделение точек дизайна для скалярной экспоненциальной модели [latex]y(t) = b\,\exp(at)[/latex], демонстрируя сходимость к теоретическим пределам [latex]2^{-1} \approx 0.4142[/latex] и [latex]2^{-2} \approx 0.5858[/latex] при обучении с использованием многослойного персептрона (ReLU MLP шириной 256), шума [latex]\varepsilon = 0.05[/latex] и оптимизатора Adam с параметрами обучения [latex]10^{-3}[/latex] и [latex]10^{-1}[/latex] для сети реконструкции и переменных дизайна соответственно, при размере пакета 1024 и 10 000 шагах.](https://arxiv.org/html/2512.23763v1/both_ratios_comparison.png)
Новый подход к оптимальному планированию экспериментов использует глубокое обучение для автоматического определения наилучших точек измерений, повышая точность решения обратных задач.