3909 articoli
Il paper presenta EVA, un nuovo framework di apprendimento asincrono che, ispirandosi alla modellazione linguistica, genera caratteristiche evento-per-evento altamente espressive superando i metodi precedenti sia in compiti di riconoscimento che di rilevamento.
Il paper introduce BusterX, un sistema basato su MLLM per il rilevamento e la spiegazione delle falsificazioni video, accompagnato dal dataset GenBuster-200K e dal benchmark GenBuster-Bench per superare le attuali limitazioni nella forensica video generata dall'IA.
Il paper presenta DVD-Quant, un innovativo framework di quantizzazione senza dati per i Video Diffusion Transformers che, integrando tecniche come BGR, ARQ e -GBS, permette di ottenere un'accelerazione di circa 2 volte e una quantizzazione W4A4 senza compromettere la qualità visiva dei video generati.
Il paper presenta "Alchemist", un nuovo metodo per creare dataset di affinamento supervisionato (SFT) generali ed efficaci sfruttando modelli generativi pre-addestrati come stimatori di campioni ad alto impatto, producendo un piccolo dataset di 3.350 campioni che migliora significativamente la qualità estetica e l'allineamento di diversi modelli text-to-image pubblici.
Questo articolo propone un nuovo framework di condensazione dei dati a livello di istanza (IDC) per la super-risoluzione delle immagini, che utilizza l'estrazione di caratteristiche di Fourier locali casuali e il matching delle distribuzioni di caratteristiche multilivello per generare un dataset sintetico condensato al 10% su DIV2K, ottenendo prestazioni comparabili a quelle del dataset originale completo.
Il paper presenta VisioMath, un benchmark di 1.800 problemi matematici K-12 basato su diagrammi visivamente simili, che rivela come i modelli linguistici multimodali attuali falliscano nel ragionamento comparativo a causa di un disallineamento tra immagine e testo, proponendo strategie di allineamento per migliorare le prestazioni.
Il paper presenta VisualPrompter, un framework di ingegneria dei prompt senza addestramento che ottimizza automaticamente gli input testuali per la sintesi di immagini, migliorando l'allineamento semantico tra descrizione e risultato visivo attraverso un meccanismo di auto-riflessione e revisione granulare.
Il paper introduce SPoT, una nuova strategia di tokenizzazione che posiziona i token in modo continuo all'interno delle immagini, superando i limiti delle griglie discrete per abilitare architetture Vision Transformer più efficienti, flessibili e interpretabili.
Il paper introduce SPARC, un framework che utilizza autoencoder sparsi allineati per creare uno spazio latente unificato che permette di interpretare e confrontare direttamente concetti ad alto livello tra modelli e modalità diverse, migliorando drasticamente l'allineamento concettuale e abilitando nuove applicazioni come la localizzazione spaziale guidata dal testo.
Il paper introduce ToBo, un pipeline di apprendimento auto-supervisionato che comprime scene dinamiche in un singolo token di collo di bottiglia per catturare efficacemente le dipendenze temporali, dimostrando superiorità in compiti di comprensione sequenziale come il tracciamento video e la manipolazione robotica sia in ambienti simulati che reali.
Il paper presenta NarrLV, il primo benchmark progettato per valutare in modo completo le capacità narrative dei modelli di generazione video a lungo termine, introducendo il concetto di "Temporal Narrative Atom" e metriche basate su MLLM per superare le limitazioni delle valutazioni attuali.
Il paper presenta TomatoMAP, un dataset completo di immagini RGB annotato per il fenotipaggio fine di piante di pomodoro, che dimostra come un framework di deep learning addestrato su questi dati raggiunga accuratezza e velocità paragonabili a quelle degli esperti umani.
Il paper presenta ExDD, un nuovo framework per il rilevamento di difetti superficiali che supera i limiti della rilevazione di anomalie a una sola classe modellando esplicitamente distribuzioni duali di caratteristiche e generando difetti sintetici tramite modelli di diffusione per affrontare la scarsità di dati.
Il paper propone GSSR, un metodo che ottimizza individualmente la posizione e l'orientamento dei Gaussiani per allinearli perfettamente alla superficie latente, risolvendo così i problemi di geometria irregolare e distribuzione disomogenea tipici delle tecniche di 3D Gaussian Splatting esistenti.
Questo lavoro presenta un sistema multi-agente basato su modelli linguistici multimodali che supera significativamente lo stato dell'arte nell'estrazione automatica di informazioni chimiche da grafiche e testi scientifici, garantendo la creazione di database strutturati di alta qualità per la ricerca chimica guidata dall'intelligenza artificiale.
Questo lavoro introduce MAP, un metodo di decodifica senza addestramento che mitiga le allucinazioni nei modelli visione-linguaggio su larga scala trattando gli stati nascosti come mappe semantiche 2D e applicando operazioni di attenzione a livello di mappa per migliorare la coerenza fattuale.
Il paper presenta VLMQ, un framework di quantizzazione post-allenamento specifico per i modelli visione-linguaggio che, identificando e mitigando la sovrarappresentazione visiva e il divario tra modalità, utilizza un fattore di importanza guidato dal gradiente per selezionare i token salienti e ottenere prestazioni all'avanguardia, specialmente nelle configurazioni a basso numero di bit.
Il paper presenta SGDFuse, un modello di diffusione condizionato guidato da SAM che utilizza maschere semantiche come priori espliciti per fondere immagini a infrarossi e visibili, ottenendo risultati ad alta fedeltà e privi di artefatti che superano gli stati dell'arte sia nella valutazione soggettiva che oggettiva.
Il paper introduce i "Multivariate Fields of Experts", un nuovo framework per l'apprendimento di priori delle immagini che, grazie a funzioni potenziali multivariate basate su involucri di Moreau, supera i modelli univariati e si avvicina alle prestazioni dei metodi deep learning offrendo al contempo maggiore velocità, efficienza dei parametri, interpretabilità e garanzie teoriche di convergenza per vari problemi inversi di ricostruzione.
Il paper presenta DianJin-OCR-R1, un modello visione-linguaggio potenziato dal ragionamento che combina capacità di riconoscimento interne con l'uso di strumenti esterni e un processo di "ripresa" visiva per ridurre le allucinazioni e migliorare l'accuratezza nell'OCR rispetto ai modelli tradizionali e ai VLM non ragionanti.