3920 articoli
Il paper introduce FireScope, un framework basato su modelli visivo-linguistici che integra ragionamento causale e dati multimodali per generare mappe di rischio incendi ad alta risoluzione con elevata generalizzazione transcontinentale e interpretabilità.
Il paper presenta VeilGen, un modello generativo non supervisionato che stima mappe latenti di trasmissione e bagliore per sintetizzare dati realistici, e DeVeiler, una rete di restauro che utilizza queste mappe per rimuovere efficacemente il bagliore velante dai sistemi ottici semplificati.
Il paper introduce UAM, un nuovo backbone unificato che combina in modo flessibile le capacità di Attention e Mamba per superare le prestazioni degli attuali modelli fondazionali nella classificazione delle cellule tumorali e nella segmentazione delle immagini.
Il paper presenta EgoCogNav, un framework di navigazione egocentrica multimodale che integra fattori cognitivi e un nuovo dataset reale per prevedere l'incertezza percepita e anticipare comportamenti umani come l'esplorazione e l'esitazione in ambienti non visti.
Il paper presenta SyncMV4D, il primo modello che genera simultaneamente video multi-vista e movimenti 4D sincronizzati per le interazioni mano-oggetto, unificando priorità visive, dinamiche del movimento e geometria multi-vista per superare i limiti delle metodologie attuali in termini di realismo geometrico e generalizzazione.
Il paper introduce ReInversion, un metodo senza addestramento per l'editing guidato da esempi che utilizza un processo di denoising reversibile e una strategia di denoising selettivo guidato da maschere per ottenere risultati all'avanguardia con costi computazionali minimi.
Questo studio presenta un metodo di registrazione inter-soggetto per immagini MR corporee totali del UK Biobank che, integrando maschere di tessuto adiposo sottocutaneo e muscolare nel processo di registrazione, supera significativamente le tecniche esistenti in termini di precisione anatomica e utilità per l'analisi dei dati di ricerca medica.
Il paper presenta UniTS, un modello generativo spaziotemporale unificato basato sul flow matching che integra ricostruzione, rimozione delle nuvole, rilevamento dei cambiamenti e previsione per le immagini satellitari, superando le prestazioni dei modelli specializzati esistenti grazie a un'architettura innovativa con iniettore di condizioni adattivo e modulatore spaziotemporale.
Questo lavoro propone un metodo basato su nuvole di punti che sfrutta le proprietà spaziotemporali dei flussi di eventi, integrando moduli di convoluzione temporale e rappresentazione potenziata dei bordi per migliorare l'efficienza e l'accuratezza della stima della posa umana rispetto alle tecniche tradizionali.
Il paper presenta DFIR-DETR, un rilevatore basato su transformer che risolve le sfide della rilevazione di oggetti piccoli in scene complesse attraverso l'aggregazione dinamica di caratteristiche, una piramide di funzionalità adattiva e un raffinamento iterativo nel dominio della frequenza, ottenendo prestazioni superiori con un'efficienza computazionale ridotta.
Il paper introduce Fast-BEV++, un framework di percezione BEV basato su visione che risolve il compromesso tra accuratezza ed efficienza di deployment, ottenendo un nuovo stato dell'arte di 0,488 NDS su nuScenes e oltre 134 FPS grazie a un'architettura ottimizzata per l'hardware che elimina la dipendenza da kernel personalizzati.
Questo articolo presenta un framework che combina la selezione di sottoinsiemi submodulare con la stima dell'incertezza basata su gradienti per migliorare la robustezza e la fedeltà delle spiegazioni visive in scenari fuori distribuzione, senza richiedere addestramento aggiuntivo.
Il paper introduce Photo3D, un framework che migliora la generazione 3D fotorealistica sfruttando immagini sintetiche di GPT-4o-Image all'interno di una pipeline di sintesi multi-vista allineata alla struttura, permettendo così di arricchire la geometria 3D nativa con dettagli realistici mantenendo la coerenza strutturale.
Questo articolo presenta un framework modulare di elaborazione del segnale immagine (ISP) basato sull'apprendimento automatico che, garantendo il controllo completo delle fasi intermedie di rendering, migliora scalabilità, debug, generalizzazione e flessibilità stilistica, consentendo inoltre la creazione di strumenti di editing fotografico interattivi con possibilità di ridisegno illimitato.
Questo studio introduce un nuovo approccio basato su patch per l'analisi topologica dei dati (TDA) applicato alle immagini TC volumetriche, che supera i metodi tradizionali in termini di accuratezza diagnostica e tempi di calcolo, offrendo inoltre un pacchetto Python per facilitarne l'uso.
Il paper presenta VTP, un framework di pre-addestramento unificato per tokenizzatori visivi che, ottimizzando congiuntamente perdite di contrasto, auto-supervisionate e di ricostruzione, risolve il problema della scalabilità nel pre-addestramento dimostrando che la comprensione semantica è fondamentale per una generazione di immagini di alta qualità e scalabile.
Il paper CASA reinvestiga l'efficacia dell'attenzione incrociata per la fusione visione-linguaggio, dimostrando che, sebbene spesso sottostimata, questa architettura raggiunge prestazioni competitive rispetto all'inserimento diretto dei token offrendo al contempo vantaggi significativi in termini di efficienza computazionale e memoria per applicazioni video in tempo reale.
Il paper presenta un codificatore storico leggero e preaddestrato che mappa lunghi history video in embedding compatti, garantendo coerenza temporale e prestazioni paragonabili a soluzioni più pesanti per la generazione video autoregressiva in contesti con risorse limitate.
Il paper presenta Spatial4D-Bench, un benchmark su larga scala composto da circa 40.000 coppie domanda-risposta e 18 task organizzati in sei categorie cognitive, progettato per valutare in modo completo le capacità di ragionamento spaziale 4D dei modelli linguistici multimodali e rivelare le loro attuali limitazioni rispetto all'intelligenza umana.
Il paper propone MDENeRF, un framework iterativo che affina le stime di profondità monoculare fondendo un prior globale con dettagli geometrici ad alta frequenza e incertezze bayesiane estratte da Neural Radiance Fields (NeRF) per migliorare la comprensione della scena.