3603 articoli
Questo articolo presenta un nuovo framework hardware-efficiente basato su un'architettura Dual-Transformer-Cascaded (DTC) che integra informazioni prioritarie ambientali per prevedere con precisione i punti di atterraggio di palle da tennis, superando i limiti dei metodi tradizionali.
Il paper introduce PICS, un paradigma auto-supervisionato per la composizione di immagini che utilizza un Transformer di Interazione con esperti misti e un blending adattivo per gestire le interazioni spaziali e preservare la coerenza fisica durante la sovrapposizione di oggetti.
Il paper presenta OPTED, un dataset open-source di immagini preelaborate per la trachoma, creato utilizzando il modello di segmentazione zero-shot SAM 3 per estrarre automaticamente le regioni di interesse da fotografie cliniche e facilitare la ricerca sulla classificazione automatizzata della malattia.
Il paper propone un nuovo paradigma di aumento dei dati che, ispirandosi alle procedure di progettazione industriale, utilizza modelli linguistici di grandi dimensioni per generare programmi CAD più diversificati e complessi, arricchendo i dataset esistenti con forme organiche e curvature basate su spline tipiche dei progetti industriali reali.
Il paper presenta PaQ-DETR, un framework unificato che supera i limiti delle query fisse dei modelli DETR generando query dinamiche basate su pattern latenti condivisi e adottando una strategia di assegnazione uno-a-molti consapevole della qualità, ottenendo così miglioramenti significativi di mAP e una migliore interpretabilità semantica su diversi benchmark di rilevamento oggetti.
Il paper propone DLRMamba, un metodo che combina un modello a stato spaziale bidimensionale a basso rango con una distillazione consapevole della struttura per ottimizzare la fusione multispettrale e il rilevamento di oggetti su dispositivi edge a risorse limitate, riducendo la complessità computazionale senza compromettere l'accuratezza.
Il paper presenta ESM-YOLO+, una rete di fusione leggera per immagini visibili e infrarosse che, grazie al modulo di fusione dell'attenzione potenziata da maschere e al potenziamento strutturale durante l'addestramento, migliora significativamente il rilevamento di piccoli bersagli nelle immagini telerilevate riducendo al contempo la complessità del modello.
Il paper propone HIERAMP, un metodo di distillazione dei dataset che sfrutta il modello autoregressivo visivo (VAR) per amplificare le semantica gerarchiche a diverse scale, migliorando le prestazioni di sintesi guidando la generazione verso regioni discriminative senza ottimizzare esplicitamente la prossimità globale.
Questo studio presenta una pipeline analitica basata su segmentazione 3D e machine learning che dimostra come l'analisi tridimensionale delle caratteristiche istomorfometriche legate all'invasione perineurale e linfovascolare superi i metodi 2D tradizionali nel predire la recidiva biochimica del cancro alla prostata.
Questo studio presenta il Virtual Intraoperative CT (viCT), un metodo che utilizza ricostruzioni 3D derivate da video endoscopico monoculare per aggiornare sequenzialmente le immagini TC preoperatorie durante la chirurgia endoscopica dei seni paranasali, permettendo una visualizzazione in tempo reale dei confini di resezione tissutale con un'accuratezza submillimetrica.
Il paper presenta SurgCUT3R, un framework innovativo che supera le limitazioni dei modelli di ricostruzione 3D generici in ambito chirurgico generando dati di addestramento su larga scala e adottando una strategia di inferenza gerarchica per garantire ricostruzioni robuste e prive di deriva temporale da video endoscopici monoculari.
Il documento presenta CUOTM, un nuovo modello generativo condizionale basato su un framework di Trasporto Ottimo Non Bilanciato che, rilassando i vincoli di corrispondenza delle distribuzioni tramite penalità di divergenza di Csiszár, risolve efficacemente la sensibilità agli outlier tipica dei metodi tradizionali mantenendo un'elevata efficienza di campionamento.
Il paper presenta T2SGrid, un nuovo framework che risolve le limitazioni delle attuali Vision-LMM nel grounding temporale video trasformando le sequenze temporali in griglie spaziali bidimensionali tramite finestre scorrevoli sovrapposte, permettendo così di trattare la comprensione temporale come un compito di comprensione spaziale e ottenendo prestazioni superiori sui benchmark standard.
Questo lavoro dimostra che l'uso di encoder pre-allineati per immagini e nuvole di punti, combinato con una nuova perdita di contrasto hard multi-modale, permette di ottenere prestazioni state-of-the-art nel recupero di forme 3D da immagini, eliminando la necessità di sintesi di viste e consentendo il recupero zero-shot senza riaddestramento.
Il paper propone un framework di ragionamento multimodale consapevole della percezione che, rappresentando gli oggetti tramite token visivi di riferimento e utilizzando un dataset di pensiero concatenato multimodale, permette ai modelli visione-linguaggio di superare significativamente le prestazioni nello spazio di ragionamento spaziale da immagini monoculare per la guida autonoma.
Il paper presenta ADAS-TO, il primo dataset naturale su larga scala dedicato alle transizioni ADAS-manuale, che analizza oltre 15.000 eventi di takeover per caratterizzare le dinamiche di sicurezza e dimostrare la fattibilità di sistemi di allerta precoce basati su segnali visivi.
Il paper presenta MipSLAM, un sistema SLAM basato su Gaussian Splatting 3D che integra un algoritmo di anti-aliasing adattivo ellittico e un'ottimizzazione del grafo di pose consapevole dello spettro per ottenere sintesi di nuove viste ad alta fedeltà e una stima della posa robusta senza artefatti di aliasing.
Il paper presenta AdaGen, un framework generalizzabile e adattivo basato sull'apprendimento per rinforzo che ottimizza il processo di sintesi iterativa delle immagini attraverso una politica adattiva e una ricompensa avversariale, superando le limitazioni degli scheduli statici e migliorando significativamente qualità ed efficienza in diversi paradigmi generativi.
Il paper presenta TrajPred, un nuovo framework basato su modelli visione-linguaggio che migliora il riconoscimento delle interazioni tra strumenti e tessuti in chirurgia robotica integrando le traiettorie degli strumenti per catturare meglio le informazioni temporali e i dettagli delle azioni.
Il paper presenta OV-DEIM, un rilevatore open-vocabulary basato su DETR che, grazie all'architettura DEIMv2, a una strategia di supplemento delle query e all'augmentazione dati GridSynthetic, raggiunge prestazioni all'avanguardia e una maggiore efficienza nel rilevamento di oggetti in tempo reale, superando i limiti attuali dei metodi basati su YOLO.