3898 articoli
Il paper propone un modello di rilevamento di oggetti RGB-D in tempo reale che integra una nuova iper-involuzione pesata da funzioni radiali di base (RBF) dinamiche e un livello di fusione addestrabile basato sul campionamento, ottenendo prestazioni superiori rispetto ai metodi esistenti su NYU Depth V2 e SUN RGB-D.
Il paper propone un sistema di rilevamento delle allucinazioni visive strutturali in immagini di personaggi cartonesi generati da modelli Text-to-Image, che utilizza un modello Vision-Language potenziato dall'apprendimento in contesto con informazioni sulla posa (PA-ICVL) per ottenere miglioramenti significativi rispetto ai metodi basati solo su immagini RGB.
Il paper presenta Fuse4Seg, un innovativo framework di fusione di immagini mediche multi-modale basato su ottimizzazione bi-livello che, allineando direttamente la fusione alla segmentazione tramite gradienti semantici e vincoli di frequenza, supera le prestazioni degli stati dell'arte mantenendo al contempo la fedeltà fisica e l'interpretabilità clinica.
Il paper presenta PACE, un metodo di fine-tuning efficiente nei parametri che combina regolarizzazione della consistenza con perturbazioni moltiplicative per ridurre le norme dei gradienti e allineare i modelli, migliorando così la generalizzazione su diversi compiti visivi e testuali rispetto alle tecniche esistenti.
Il paper introduce FALCON, un approccio di preaddestramento auto-supervisionato unificato per il riconoscimento delle azioni dei droni che, integrando la mascheratura orientata agli oggetti e la ricostruzione futura a doppio orizzonte, risolve lo squilibrio spaziale tipico dei video aerei migliorando significativamente l'accuratezza e riducendo i tempi di inferenza rispetto ai metodi supervisionati.
Il paper presenta AuthFace, un nuovo framework che migliora il ripristino autentico dei volti ciechi (BFR) sfruttando un prior generativo orientato al volto, ottenuto tramite il fine-tuning di un modello di diffusione testo-immagine su un dataset di 1,5K immagini ad alta risoluzione curato da fotografi professionisti e integrato con una perdita di caratteristiche facciali latenti sensibile al tempo per ridurre gli artefatti.
Questo studio propone un metodo di ricostruzione dei dati sismici basato sull'apprendimento auto-supervisionato e sulla coerenza interna, che utilizza una rete leggera priva di dataset esterni per ottenere ricostruzioni di alta qualità in condizioni di acquisizione irregolare.
Il paper presenta PPLLaVA, un modello innovativo che risolve il collo di bottiglia computazionale dei Video LLM riducendo drasticamente i token visivi attraverso una strategia di pooling guidata dai prompt, mantenendo al contempo alte prestazioni su compiti di comprensione video complessi.
Il paper presenta Ditto, un framework di sintesi di teste parlanti basato su diffusione che, attraverso l'ottimizzazione dell'architettura e l'uso di segnali condizionali diversificati, risolve i problemi di velocità e controllo dei modelli esistenti, consentendo un'inferenza in tempo reale con movimenti e espressioni facciali altamente controllabili.
Il paper presenta LEO, un'architettura semplice ed efficace che ottimizza la fusione di diversi encoder visivi tramite un approccio leggero basato su proiezioni indipendenti e intercalamento di sequenze, ottenendo prestazioni superiori su numerosi benchmark e una forte capacità di generalizzazione nel dominio della guida autonoma.
FeatureGS è un metodo che migliora la ricostruzione 3D tramite Gaussian Splatting introducendo una funzione di perdita geometrica basata su caratteristiche eigenvalue, ottenendo una maggiore accuratezza geometrica, una drastica riduzione degli artefatti e un'efficienza di memoria superiore rispetto alle tecniche esistenti.
Il paper introduce PoI, un framework che migliora la regressione delle coordinate della scena combinando la sintesi di nuove viste con 3DGS e un modello di diffusione, filtrando poi progressivamente i pixel inaffidabili tramite l'errore di reproiezione per garantire supervisione 3D accurata e raggiungere prestazioni all'avanguardia nel localizzazione visiva.
Questo sondaggio offre una panoramica strutturata delle tecniche, dei dataset e delle sfide etiche legate all'uso dei modelli linguistici su larga scala per assistere i ricercatori in tutte le fasi del ciclo di vita scientifico, dalla scoperta alla valutazione.
Il paper introduce SCOTT, un'architettura di tokenizzazione convoluzionale combinata con un framework MIM-JEPA, che dimostra come sia possibile apprendere rappresentazioni visive robuste in contesti a dati limitati, superando la dipendenza dal paradigma dei "big data" e ottenendo prestazioni competitive rispetto ai metodi supervisionati e a quelli basati su pre-addestramento su larga scala.
Il paper introduce NAMI, un modello Transformer basato su flussi rettificati progressivi e pontati che migliora l'efficienza di generazione delle immagini riducendo i tempi di inferenza del 64% senza compromettere la qualità, grazie a un'architettura a cascata spaziale e multi-risoluzione.
Il paper presenta ECLARE, un metodo di super-risoluzione efficiente e auto-apprendente che migliora la risoluzione anisotropa dei volumi MR clinici stimando il profilo della slice e apprendendo direttamente dai dati acquisiti, superando così le limitazioni delle tecniche esistenti senza subire problemi di spostamento di dominio.
Il paper introduce EarthScape, un dataset multimodale pronto per l'IA che integra modelli digitali del terreno, immagini aeree e dati vettoriali per automatizzare la mappatura geologica superficiale, dimostrando che le caratteristiche del terreno offrono il segnale predittivo più affidabile rispetto agli input spettrali o altimetrici grezzi.
Questo articolo introduce un nuovo set di test basati su misurazioni psicofisiche della visione di basso livello per valutare la capacità delle metriche di qualità immagine e video di catturare fenomeni percettivi fondamentali, rivelando limiti e comportamenti specifici di 34 metriche esistenti.
Il paper presenta FindAnything, un framework di mappatura open-vocabulary che integra informazioni visive e linguistiche in sottomappe volumetriche centrate sugli oggetti, consentendo una comprensione semantica efficiente e scalabile in tempo reale anche su dispositivi con risorse limitate come i MAV.
Il paper propone GenCLIP, un nuovo framework per la rilevazione di anomalie zero-shot che migliora la generalizzazione e la stabilità attraverso l'uso di prompt multi-livello, un'architettura a doppio ramo per bilanciare specificità e generalità, e un meccanismo adattivo di filtraggio dei prompt testuali.