3919 articoli
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.
Il paper propone SSL-SLR, un nuovo framework di apprendimento auto-supervisionato per il riconoscimento della lingua dei segni che, superando i limiti dei metodi contrastivi tradizionali grazie a coppie negative libere e una nuova tecnica di aumento dei dati, ottiene prestazioni superiori in termini di accuratezza e trasferibilità tra diverse lingue dei segni.
Il paper presenta RED, una rete di deblurring guidata da eventi che migliora la robustezza e le prestazioni nel ripristino di immagini sfocate attraverso una strategia di perturbazione orientata alla robustezza e un meccanismo di disentanglement delle rappresentazioni specifiche per modalità, permettendo una fusione selettiva che separa le informazioni utili dal rumore causato dalla sottostima degli eventi.
Il paper propone Kernel VICReg, un nuovo framework di apprendimento auto-supervisionato che trasporta l'obiettivo VICReg in uno Spazio di Hilbert a Nucleo Riproducente (RKHS) per catturare dipendenze non lineari e migliorare le prestazioni su dati con strutture complesse o campioni limitati, superando i limiti dei metodi basati su spazio euclideo.
Il paper propone C²Prompt, un metodo innovativo per l'apprendimento continuo federato che supera le limitazioni delle tecniche basate su prompt esistenti migliorando la coerenza della conoscenza a livello di classe attraverso un meccanismo di compensazione della distribuzione locale e uno schema di aggregazione consapevole delle classi, ottenendo così prestazioni all'avanguardia nel mitigare l'oblio temporale e spaziale.
Questo lavoro propone un approccio basato sulla visione per l'esplorazione semantica di oggetti da parte di robot a zampe, che utilizza un'arbitratura delle evidenze semantiche calibrata sulla confidenza, una memoria topologica a crescita controllata e una selezione di sottobiettivi guidata dall'utilità semantica per prendere decisioni di esplorazione stabili ed eseguibili senza dipendere da ricostruzioni geometriche dense.
Il paper presenta DeCLIP, un framework efficiente e privo di replay che risolve il problema dell'apprendimento incrementale multi-etichetta decouplando le rappresentazioni di CLIP tramite prompt specifici per classe e introducendo l'Adaptive Similarity Tempering per mitigare l'oblio catastrofico e ridurre i falsi positivi.
Il paper presenta BOUND, un nuovo rilevatore di oggetti in ambienti aperti che supera i limiti delle etichette "sconosciuto" piatte inferendo categorie a grana grossa per gli oggetti non visti, migliorando così il processo decisionale in scenari reali come la guida autonoma senza compromettere l'accuratezza sulle classi note.
Il paper introduce LikePhys, un metodo senza addestramento che valuta la comprensione della fisica intuitiva nei modelli di diffusione video misurando la preferenza di verosimiglianza su un benchmark curato, dimostrando che tale capacità migliora con la scalabilità del modello nonostante le attuali difficoltà con dinamiche complesse.
Il paper introduce CanvasMAR, un modello autoregressivo per la previsione video che migliora la qualità e la coerenza della generazione con pochi passi di campionamento, integrando un "canvas" come prior globale strutturato, un curriculum di campionamento da facile a difficile basato sul movimento e una guida classificatore composita.
Il paper presenta 3DThinker, un framework innovativo che permette ai modelli visione-linguaggio di effettuare un ragionamento spaziale tridimensionale basato sull'immaginazione geometrica partendo da viste limitate, senza richiedere dati 3D espliciti o input 3D preliminari.
Il paper presenta AURASeg, un framework di segmentazione per aree percorribili progettato per robot autonomi che combina un modulo di raffinamento dei bordi assistito da residui e un decodificatore di upscaling guidato dall'attenzione per migliorare la precisione dei contorni e l'efficienza su dispositivi edge.
Il paper introduce CULTIVate, un nuovo benchmark e framework di valutazione basato su attività sociali per misurare l'allineamento culturale e i bias nei modelli testo-immagine, rivelando che questi sistemi performano meglio per i paesi del Nord globale rispetto a quelli del Sud globale.
Il paper propone un framework di ottimizzazione sinergica che combina la decoupling strutturale dei bias e l'allineamento globale delle distribuzioni per migliorare l'equità nei modelli di rilevamento dei deepfake senza comprometterne l'accuratezza.
Il paper presenta LaxMotion, un framework che supera i limiti di generalizzazione dei modelli esistenti per la generazione di motion 3D sostituendo la supervisione precisa delle coordinate con un approccio basato sulla coerenza strutturale e su segnali 2D, ottenendo risultati competitivi senza bisogno di supervisione 3D diretta.
Questo studio introduce un quadro di valutazione basato sulla metrica CRT per analizzare come i modelli di diffusione gestiscano l'iconicità multimodale, distinguendo tra il riconoscimento dei riferimenti culturali e la loro realizzazione visiva, e rivelando che tale comportamento dipende da fattori quali la frequenza dei dati, l'unicità testuale e la popolarità del riferimento.
Il paper presenta Co-Layout, un nuovo framework che combina modelli linguistici su larga scala e programmazione intera su griglia per ottimizzare congiuntamente la disposizione degli spazi interni e il posizionamento dei mobili, superando le pipeline esistenti in qualità della soluzione ed efficienza computazionale grazie a una strategia di ottimizzazione da grezzo a fine.
Il paper presenta SPARK, un framework di jailbreak che aggira le difese dei modelli testo-video sfruttando prompt apparentemente innocui che combinano ancoraggi di scena neutri, trigger auditivi latenti e modulatori stilistici per indurre la generazione di contenuti non sicuri mantenendo l'intento originale.
Il paper presenta MRIQT, un modello di diffusione 3D fisicamente consapevole che trasforma le immagini risonanza magnetica ultra-bassa intensità (uLF) neonatali in immagini ad alta qualità, superando le tecniche esistenti e consentendo una valutazione affidabile del cervello neonatale.
Il paper presenta FunnyNodules, un dataset sintetico completamente parametrizzabile di noduli polmonari astratti con annotazioni dettagliate sulle caratteristiche visive e le regole decisionali, progettato per valutare e migliorare i modelli di intelligenza artificiale spiegabile (xAI) in ambito medico garantendo che le previsioni siano basate sulle ragioni corrette.