3928 articoli
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.
Il paper introduce UniVBench, un benchmark unificato e un sistema di valutazione agenziale (UniV-Eval) progettati per superare la frammentazione delle metriche attuali valutando in modo integrato le capacità di comprensione, generazione, editing e ricostruzione dei modelli fondazionali video su un dataset complesso di video multi-scena creati dall'uomo.
Il lavoro presenta un metodo basato su reti neurali a grafo geometricamente consapevoli per la ricostruzione eterogenea di criomicroscopia elettronica a singola particella, che supera le prestazioni dei multilayer perceptron sfruttando un'induzione di bias strutturale per prevedere le conformazioni atomiche dello scheletro proteico.
Il paper propone DPCache, un framework di accelerazione senza addestramento per i modelli di diffusione che tratta il campionamento come un problema di pianificazione globale del percorso, selezionando dinamicamente i passi chiave tramite programmazione dinamica per ridurre i costi computazionali mantenendo o migliorando la qualità visiva.
Il paper introduce Synthetic Visual Genome 2 (SVG2), un vasto dataset automatizzato di scene graph video spaziotemporali, e TRaSER, un modello che supera le prestazioni degli attuali baselines e di GPT-5 nel rilevamento di relazioni e oggetti, migliorando significativamente anche le capacità di risposta alle domande sui video.
Il paper propone un nuovo quadro di deoffuscamento adattivo e dinamico che utilizza un ciclo di ottimizzazione chiuso guidato da istruzioni testuali e feedback dai compiti a valle, permettendo al modello di adattare l'output in tempo reale alle esigenze specifiche di diverse applicazioni senza necessità di riaddestramento.
Il paper introduce PanScale, il primo dataset e benchmark su larga scala per la pansharpening cross-scale, e propone ScaleFormer, una nuova architettura basata su trasformatori che generalizza efficacemente tra diverse risoluzioni trattando l'immagine come una sequenza di patch variabile.
Il paper presenta Mobile-VTON, un framework privacy-preserving che abilita il virtual try-on ad alta fedeltà su dispositivi mobili offline, superando i limiti delle soluzioni basate su cloud grazie a un'architettura modulare ottimizzata e tecniche di distillazione avanzate.
Questo lavoro propone una decomposizione funzionale ad anello tensoriale reparametrizzata basata su rappresentazioni neurali implicite, che supera i limiti delle decomposizioni tradizionali su griglie fisse e migliora il recupero di dati multidimensionali attraverso un'analisi spettrale e una nuova inizializzazione dei fattori.
Il paper presenta FastLightGen, un algoritmo innovativo che trasforma i modelli di generazione video pesanti in versioni veloci e leggere riducendo simultaneamente il numero di parametri e i passi di campionamento, ottenendo così risultati di qualità superiore rispetto agli stati dell'arte esistenti.
Il paper presenta VSearcher, un agente di ricerca multimodale addestrato tramite apprendimento per rinforzo che trasforma modelli statici in sistemi capaci di eseguire ricerche complesse e multi-turno sul web, integrando testo, immagini e navigazione, e che supera le prestazioni di modelli proprietari su benchmark dedicati.
Il paper propone "Think-as-You-See" (TaYS), un framework unificato che abilita il ragionamento concorrente e in streaming per i Large Vision-Language Models, superando i limiti dei paradigmi batch e interleaved per migliorare le prestazioni di ragionamento e ridurre la latenza nell'analisi video.
CoEditor++ è un framework di editing visivo basato su istruzioni e privo di addestramento che, attraverso un ragionamento cognitivo strutturato in due fasi e un meccanismo di auto-selezione riflessiva, supera le prestazioni degli attuali modelli open-source e chiusi garantendo una coerenza visiva superiore e un'interpretazione chiara delle modifiche.
Il paper introduce RoboLayout, un'estensione di LayoutVLM che genera scene 3D semanticamente coerenti e fisicamente fattibili per agenti incarnati, integrando vincoli di raggiungibilità differenziabili e una fase di raffinamento locale per ottimizzare la disposizione degli oggetti in base alle capacità fisiche specifiche dell'agente.
Il paper presenta Omni-C, un singolo encoder denso basato su Transformer che comprime modalità eterogenee (immagini, audio e testo) in rappresentazioni condivise tramite pre-addestramento contrastivo, eliminando la necessità di architetture Mixture-of-Experts e riducendo significativamente l'uso di memoria rispetto ai modelli multimodali tradizionali.
Questo studio propone il primo quadro computazionale multimodale per la prognosi della nefrite lupica pediatrica, che combina dati clinici e istopatologici tramite un Transformer a iniezione clinica e un MAE adattato al dominio, ottenendo un'accuratezza del 90,1% nella previsione della risposta al trattamento utilizzando solo biopsie colorate con PAS.
Il paper propone SKETCHGAIT, un nuovo framework per il riconoscimento dell'andatura che supera i limiti delle rappresentazioni basate su silhouette e parsing introducendo una modalità visiva "sketch" estratta in modo privo di etichette dai contorni strutturali delle immagini RGB, ottenendo risultati superiori su dataset pubblici.
Questo articolo presenta una pipeline di previsione delle traiettorie guidata dal gemello digitale per incroci urbani V2X, che combina un generatore Bi-LSTM con una funzione di perdita innovativa per garantire previsioni accurate, sicure e conformi alle regole del traffico riducendo le violazioni critiche.