3756 articoli
Lo studio dimostra che, per la stima della biomassa dei pascoli su dati agricoli scarsi, l'aggiornamento dei modelli di base (backbone) e l'uso di semplici moduli di fusione locali superano le complesse architetture di attenzione e SSM, rivelando il principio dell'"inversione della complessità di fusione".
Il paper propone un nuovo framework di transfer learning basato su ottimizzazione bi-livello che combina un estrattore di caratteristiche universale addestrato su dati eterogenei con un adattatore specifico per dominio, permettendo una ricostruzione di immagini MRI sottocampionate di alta qualità anche in presenza di dati di training limitati.
Il paper presenta GazeShift, un framework non supervisionato per la stima dello sguardo in realtà virtuale che, sfruttando il nuovo dataset su larga scala VRGaze, raggiunge prestazioni in tempo reale con alta precisione e senza bisogno di dati etichettati.
Questo lavoro presenta un metodo innovativo e privo di addestramento per il tracciamento temporale di oggetti nei video chirurgici laparoscopici, che sfrutta le capacità di localizzazione dei modelli di diffusione pre-addestrati per ottenere prestazioni superiori nel rilevamento di strutture anatomiche e strumenti senza richiedere costose annotazioni pixel-level.
SoundWeaver è il primo sistema di serving training-free e agnostico rispetto al modello che accelera la generazione di audio da testo tramite modelli di diffusione, riducendo la latenza fino a 3 volte riutilizzando audio cached semanticamente simili senza comprometterne la qualità.
Questo articolo propone il framework CTP (Contrastive Tensor Pre-training), che supera i limiti dell'allineamento a coppie delle modalità sostituendo la similarità coseno con un tensore di similarità multimodale per ottenere un allineamento unificato e coerente di testo, immagini e nuvole di punti, migliorando così le prestazioni dei sistemi di guida autonoma.
Il paper introduce VLM-SubtleBench, un nuovo benchmark progettato per valutare la capacità dei modelli visione-linguaggio di distinguere sottili differenze visive in ambiti diversificati come quello medico e industriale, rivelando un significativo divario tra le prestazioni attuali dei modelli e quelle umane.
Il paper propone SPAD, un metodo di diffusione consapevole della struttura e del progresso per la segmentazione di immagini mediche che, attraverso un programma di schedulazione adattivo, apprende prima le strutture morfologiche e semantiche globali e successivamente affina i confini dettagliati, superando le limitazioni delle supervisioni precoci sui bordi ambigui.
Il paper propone l'segmentazione delle immagini come banco di prova visivo per la formazione di coalizioni nei giochi edonici, dimostrando come un parametro di granularizzazione influenzi le strutture di equilibrio e permettendo di valutare la capacità di recupero delle coalizioni rispetto a una verità di base.
Il paper presenta MINT, un framework di addestramento che integra supervisione tramite trascrittomica spaziale nei modelli fondazionali di patologia per migliorare sia la previsione dell'espressione genica che le prestazioni nelle attività patologiche generali senza dimenticare le conoscenze morfologiche preesistenti.
Il paper propone E²OAL, un quadro unificato e privo di rilevatori per l'apprendimento attivo in scenari open-set che sfrutta le classi sconosciute etichettate attraverso clustering strutturale e calibrazione Dirichlet per migliorare simultaneamente la precisione, l'efficienza e la discriminazione delle classi note.
Questo paper propone un framework bayesiano guidato dai concetti per il riconoscimento di immagini zero-shot che supera i limiti dell'ingegneria euristica dei prompt, sintetizzando concetti discriminativi tramite LLM e filtrando gli outlier con una likelihood adattiva per ottenere prestazioni superiori rispetto agli stati dell'arte.
Il paper propone un framework di compressione video appresa basato su una strategia di trasformazione diretta che integra un modulo Mamba a cascata con trasformazioni geometriche e una rete di raffinamento locale, superando i metodi tradizionali di stima del movimento e ottenendo prestazioni superiori in termini di qualità percettiva e coerenza temporale a bassi bitrate.
Il paper propone un framework di fusione basato sulla scomposizione spettrale che, integrando un modulo di aggregazione deformabile e meccanismi di attenzione incrociata, risolve efficacemente il problema della sovrapposizione non allineata nelle immagini iperspettrali per ottenere una risoluzione spaziale superiore.
Il paper propone RLPR, un framework innovativo per il riconoscimento dei luoghi che allinea scansioni radar a mappe LiDAR tramite un'asimmetria cross-modale in due fasi, garantendo prestazioni robuste e generalizzabili in tutte le condizioni meteorologiche per la guida autonoma.
Il paper propone IMSE, un metodo di adattamento al test che sfrutta gli esperti spettrali intrinseci dei Vision Transformers tramite la decomposizione SVD e una perdita di massimizzazione della diversità, ottenendo prestazioni all'avanguardia con un numero di parametri aggiornabili drasticamente ridotto.
Il paper propone un approccio ibrido basato su Vision Transformer con codifica posizionale 2D e un decoder a attenzione di copertura per il riconoscimento di espressioni matematiche, ottenendo risultati all'avanguardia sul dataset IM2LATEX-100K con un punteggio BLEU di 89,94.
Questo studio confronta la generazione di codice TikZ con la sintesi diretta di immagini per convertire diagrammi di automa disegnati a mano dagli studenti in rappresentazioni digitali accurate, dimostrando che la correzione umana delle descrizioni testuali generate dai modelli visione-linguaggio è essenziale per migliorare la qualità del risultato finale e supportare la valutazione automatizzata nell'educazione informatica.
Il paper propone , un innovativo framework di localizzazione visiva senza mappa che, sfruttando la ricostruzione 3D online feed-forward e un processo di raffinamento in due fasi, raggiunge prestazioni elevate e una robustezza superiore nelle scene sparse senza richiedere alcuna pre-elaborazione offline o memorizzazione di rappresentazioni della scena.
Il paper presenta VisualAD, un framework puramente visivo basato su Vision Transformer che, eliminando la dipendenza dai modelli linguaggio-immagine, utilizza token apprendibili e meccanismi di attenzione specifici per raggiungere prestazioni all'avanguardia nella rilevazione di anomalie zero-shot su 13 benchmark industriali e medici.