3925 articoli
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.
Il paper presenta FlyPose, un pipeline di stima della posa umana leggero e robusto progettato per droni UAV che, grazie all'addestramento su più dataset e al rilascio di un nuovo dataset chiamato FlyPose-104, ottiene prestazioni superiori e un'elaborazione in tempo reale anche in condizioni di visione aerea difficili.
Questo articolo propone l'algoritmo GFHTP, un approccio basato sulla minimizzazione delle deviazioni assolute che recupera segnali sparsi contaminati da outlier senza richiedere a priori la conoscenza del livello di sparsità, garantendo convergenza teorica e prestazioni superiori rispetto ai metodi esistenti.
Il paper presenta SpatialMem, un sistema basato sulla memoria che utilizza un'impalcatura spaziale metrica allineata per abilitare il recupero e la risposta a domande linguistiche su video egocentrici a lungo termine, permettendo un ragionamento spaziale interpretabile e una navigazione offline senza l'uso di sensori specializzati.
Il paper introduce OnlineSI, un framework che potenzia i Modelli Linguistici Multimodali per la comprensione e l'ancoraggio 3D in tempo reale, mantenendo una memoria spaziale finita e integrando dati di nuvole di punti per abilitare sistemi incarnati in ambienti dinamici.
Il paper propone SRA 2, un framework intrinseco e leggero che accelera l'addestramento dei trasformatori di diffusione allineando le loro caratteristiche latenti intermedie a quelle di un VAE pre-addestrato, migliorando così la qualità di generazione e la velocità di convergenza senza richiedere encoder esterni o modelli duplicati.
Il paper presenta FARTrack, un framework di tracciamento visivo autoregressivo che combina distillazione self-specifica e sparsificazione inter-frame per ottenere prestazioni elevate e velocità di inferenza in tempo reale anche su dispositivi con risorse limitate.
Il paper introduce SpatialReward, un modello di ricompensa che supera le limitazioni degli attuali valutatori nell'apprendimento per rinforzo online per l'editing di immagini grazie a un ragionamento spaziale esplicito, ottenendo risultati all'avanguardia su diversi benchmark e migliorando significativamente le prestazioni di modelli come OmniGen2.
Il paper propone (MGS)-Net, un framework innovativo che unifica l'adattamento della scala micro-geometrica e il filtraggio della struttura macro-geometrica per superare le sfide di allineamento nella geo-localizzazione cross-view, ottenendo prestazioni state-of-the-art su dataset come University-1652 e SUES-200.
Il paper introduce MiDAS, un sistema open-source e agnostico per l'acquisizione non invasiva di dati multimodali sincronizzati nella chirurgia robotica minimamente invasiva, che supera le barriere delle interfacce proprietarie e fornisce nuovi dataset annotati per la ricerca.
Il paper presenta DAV-GSWT, un framework efficiente dal punto di vista dei dati che combina modelli di diffusione e campionamento attivo delle viste per generare piastrelle di Gaussian Splatting ad alta fedeltà partendo da un numero minimo di osservazioni, riducendo così la dipendenza da ricostruzioni esemplari densamente campionate.
Il paper presenta RobSelf, un modello auto-supervisionato che risolve la super-risoluzione incrociata su dati reali non allineati ottimizzando online un traduttore di caratteristiche e un filtro di riferimento, ottenendo prestazioni all'avanguardia e una velocità fino a 15,3 volte superiore ai metodi esistenti.
Il paper presenta UrbanAlign, un framework post-hoc che allinea i modelli visione-linguaggio congelati alle preferenze umane per la valutazione degli spazi urbani, ottenendo prestazioni superiori attraverso un processo a tre stadi di estrazione concettuale e calibrazione senza modificare i pesi del modello.
Il paper dimostra che fondendo le rappresentazioni geometriche di DINO con le mappe di attenzione interattive di Flux in modo zero-shot, è possibile ottenere una stima dell'affordance competitiva, confermando che la percezione geometrica e quella interattiva sono i pilastri fondamentali della comprensione dell'affordance nei modelli visivi di base.
Il paper presenta StoryTailor, una pipeline zero-shot che genera su una singola GPU narrativa visive multi-soggetto coerenti nel tempo, preservando l'identità dei soggetti e la fedeltà delle azioni attraverso tre moduli innovativi: Gaussian-Centered Attention, Action-Boost Singular Value Reweighting e Selective Forgetting Cache.