3792 articoli
Il paper presenta SGG-R, un framework di ragionamento strutturato che combina fine-tuning supervisionato guidato dal chain-of-thought e apprendimento per rinforzo con ottimizzazione della politica di sequenza di gruppo per generare scene graph end-to-end privi di bias, affrontando efficacemente le sfide della distribuzione a coda lunga e della scarsità delle relazioni.
Il paper introduce EcoG e il relativo benchmark EcoG-Bench, un nuovo dataset bilingue e annotato in modo denso per valutare la capacità dei modelli linguistici multimodali di allineare comandi deittici a gesti di puntamento in contesti egocentrici, rivelando un significativo divario tra le prestazioni umane e quelle attuali dei modelli, spesso limitato da interfacce multimodali inadeguate piuttosto che dalla capacità di ragionamento.
Questo lavoro presenta un framework di tracciamento degli strumenti chirurgici per la realtà aumentata che, integrando multiple modalità sensoriali e un grafo di scena dinamico, supera le limitazioni delle linee di vista tradizionali garantendo una visualizzazione robusta e coerente anche in presenza di frequenti occlusioni tipiche degli ambienti operatorii.
Il paper presenta AutoReg3D, un rilevatore 3D autoregressivo che formula il rilevamento di oggetti come generazione di sequenze per eliminare la necessità di anchor e NMS, sfruttando un ordinamento causale da vicino a lontano per abilitare l'addestramento semplificato e l'integrazione di avanzamenti dei modelli linguistici nella percezione 3D.
Il paper presenta TeamHOI, un framework che utilizza una politica decentralizzata basata su Transformer e una strategia di Adversarial Motion Prior mascherata per abilitare un singolo agente di controllo a gestire interazioni cooperative uomo-oggetto realistiche e scalabili con un numero variabile di agenti.
Il paper presenta AutoTraces, un modello autoregressivo multimodale che sfrutta le capacità di ragionamento dei grandi modelli linguistici e una nuova tokenizzazione delle traiettorie per prevedere con stato dell'arte il movimento umano in ambienti popolati, eliminando la necessità di annotazioni manuali.
Il paper propone ViSA, un framework potenziato dal ragionamento visivo-spaziale che permette ai modelli visione-linguaggio di navigare direttamente su immagini aeree senza addestramento aggiuntivo, ottenendo un miglioramento del 70,3% nel tasso di successo rispetto agli stati dell'arte esistenti sul benchmark CityNav.
Il paper introduce TickTockVQA, un dataset annotato da umani di orologi analogici in scenari reali, e Swap-DPO, un framework di ottimizzazione, per migliorare la capacità dei modelli visione-linguaggio di leggere l'ora e ragionare sullo spazio-tempo in condizioni del mondo reale.
Il paper propone un nuovo framework guidato da dizionario per la fusione di immagini infrarosso-visibili in assenza di dati infrarossi, che apprende una rappresentazione condivisa e inferisce coefficienti IR tramite un modello linguistico per migliorare la qualità percettiva e le prestazioni di rilevamento senza ricorrere a generazione incontrollata nello spazio dei pixel.
Il paper propone VSDiffusion, un framework a due stadi basato su diffusione e vincoli di visibilità che risolve il problema mal posto della generazione di ombre realistiche per oggetti inseriti in immagini, ottenendo risultati all'avanguardia sul dataset DESOBAv2.
Il paper presenta AffordGrasp, un framework basato sulla diffusione che genera pose di presa umane fisicamente stabili e semanticamente fedeli, colmando il divario tra rappresentazioni 3D degli oggetti e istruzioni testuali attraverso un processo di condizionamento duale e un'annotazione automatizzata delle interazioni.
Il paper presenta MambaDance, un nuovo approccio per la generazione di danza che sostituisce i modelli Transformer con un'architettura di diffusione basata su Mamba e utilizza una rappresentazione dei battiti musicali di tipo gaussiano per produrre movimenti realistici e sincronizzati con la musica su sequenze di qualsiasi durata.
Il paper propone un framework a due stadi che combina un modello autoregressivo testo-ossa per generare sequenze di pose da descrizioni testuali e un modello di diffusione video condizionato alle pose con un encoder di riferimento adattivo, superando le limitazioni dei metodi attuali nella generazione di video complessi di movimento umano e introducendo un nuovo dataset sintetico per colmare la carenza di dati su acrobazie e movimenti dinamici.
Il paper presenta QualiTeacher, un nuovo framework per il ripristino di immagini nel mondo reale che trasforma i pseudo-label imperfetti in segnali di supervisione condizionati alla qualità, permettendo al modello studente di apprendere un manifold di ripristino graduato che evita di imitare artefatti e genera risultati superiori rispetto al modello insegnante.
Questa paper propone un framework multimodale robusto basato su un'architettura Transformer con attenzione incrociata sicura e dropout modale, che affronta le sfide dell'occlusione, della mancanza di modalità e dello sbilanciamento delle classi nel riconoscimento delle emozioni, ottenendo un'accuratezza del 60,79% sulla sfida ABAW.
Speed3R è un modello di ricostruzione 3D feed-forward che supera i colli di bottiglia computazionali delle architetture dense utilizzando un meccanismo di attenzione duale ispirato alla Structure-from-Motion, ottenendo un'accelerazione di 12,4 volte con un compromesso minimo nella precisione geometrica.
Il paper presenta "See & Switch", un framework interattivo per la programmazione robotica tramite dimostrazione che utilizza la visione artificiale per selezionare dinamicamente i rami di esecuzione e rilevare contesti anomali, permettendo un adattamento robusto a scenari reali complessi.
Il paper presenta ImageEdit-R1, un framework multi-agente che utilizza l'apprendimento per rinforzo per coordinare agenti specializzati nella comprensione delle intenzioni, nell'identificazione delle aree di interesse e nella sintesi visiva, superando così i limiti dei modelli monolitici nell'esecuzione di edizioni complesse e contestuali delle immagini.
Il paper propone un'architettura di ranking plug-and-play basata su un Large Vision-Language Model (LVLM) e una funzione di perdita relazionale-aware per migliorare la geolocalizzazione delle immagini UAV allineandole con database satellitari attraverso una modellazione congiunta delle relazioni visive e semantiche.
Il paper propone una nuova metodologia di valutazione per i modelli generativi basata su metriche nello spazio dei token visivi discreti, introducendo CHD e CMMS, e presenta il benchmark VisForm per dimostrare che questi approcci superano le metriche tradizionali raggiungendo una correlazione superiore con i giudizi umani.