3987 articoli
Il paper propone SemVID, un framework di pruning dei token senza addestramento che, preservando le evidenze critiche e la connettività inter-frame attraverso una specifica allocazione semantica, ottimizza l'efficienza e le prestazioni del grounding temporale video mantenendo un'alta accuratezza.
Il paper propone l'uso di primitive di Gabor, che modulano involucri gaussiani con esponenziali complessi per rappresentare efficacemente sia le strutture lisce che i confini netti, combinati con una decomposizione temporale a basso rango per ricostruire immagini di risonanza magnetica cardiaca cine accelerate, superando le prestazioni dei metodi esistenti come la compressione sensoriale e le rappresentazioni neurali implicite.
Il documento presenta OWL, un nuovo approccio analitico basato sul tempo che utilizza segnali visivi di movimento per abilitare la ricostruzione 3D scalata e la mappatura in tempo reale senza richiedere conoscenze preliminari sull'ambiente o sul movimento della telecamera.
Il paper presenta un nuovo framework longitudinale di inpainting per risonanze magnetiche cerebrali basato su modelli di diffusione 3D region-aware, che supera le tecniche esistenti garantendo maggiore fedeltà percettiva, stabilità temporale ed efficienza computazionale nell'analisi delle lesioni evolutive.
Il paper introduce MultiHaystack, il primo benchmark su larga scala che valuta la capacità dei modelli linguistici multimodali di recuperare e ragionare su oltre 46.000 documenti, immagini e video, rivelando che le prestazioni crollano drasticamente quando è richiesto un recupero dell'evidenza da un corpus eterogeneo rispetto all'analisi diretta dei dati forniti.
Il paper introduce un framework interpretabile per la geolocalizzazione audiovisiva che combina un benchmark globale, un'analisi semantica del suono tramite "atomi acustici" e un ragionamento multimodale ottimizzato, dimostrando come l'integrazione di segnali uditivi e visivi superi significativamente i metodi unimodali per una localizzazione globale di alta precisione.
Il paper presenta Any2Full, un framework innovativo a stadio singolo che adatta un modello di stima della profondità monoculare preaddestrato tramite un codificatore di prompt consapevole della scala per ottenere una completazione della profondità robusta ed efficiente, superando i metodi esistenti in termini di accuratezza e velocità.
Questo lavoro propone un framework leggero e interpretabile basato su estensioni tridimensionali dell'istogramma discriminativo del gradiente (DHoGM) per rilevare in modo efficiente e robusto gli artefatti da movimento nelle risonanze magnetiche cerebrali strutturali, ottenendo elevate prestazioni di generalizzazione su dati non visti senza richiedere costosi pre-processing.
Questo lavoro presenta una pipeline automatizzata che trasforma il dataset di addestramento ImageNet in un dataset multietichetta senza annotazioni umane, migliorando significativamente l'accuratezza di classificazione e la trasferibilità dei modelli grazie a una supervisione più fedele alla complessità delle scene visive reali.
Il paper propone un framework multimodale basato su CLIP che genera automaticamente linee temporali e narrazioni chirurgiche strutturate allineando i fotogrammi video con descrizioni testuali delle gestualità, riducendo così la necessità di annotazione manuale da parte dei chirurghi.
Il paper presenta Uni-LVC, un metodo unificato per la compressione video appresa che integra la codifica intra e inter in un singolo modello, migliorando le prestazioni di compressione e adattandosi dinamicamente alla qualità dei riferimenti temporali grazie a un modulo di attenzione incrociata e una strategia di training multistadio.
Il paper presenta Icarus, un modello di cielo meteo-indipendente basato sull'apprendimento profondo che supera i limiti delle soluzioni attuali generando mappe ambientali ad alta dinamica (FDR) fotorealistiche e controllabili dall'utente per un'illuminazione basata sull'immagine (IBL) di precisione senza precedenti.
Il paper propone SCORE, un metodo di fusione di modelli che risolve i conflitti tra sottospazi causati da distribuzioni diverse proiettando le matrici dei task su una base ortogonale condivisa, migliorando così la generalizzazione di dominio rispetto alle tecniche esistenti.
Il paper introduce LayerBind, un metodo training-free e plug-and-play per i Diffusion Transformers che garantisce un controllo preciso della disposizione regionale e dell'ordine di occlusione nelle immagini generate tramite testo, risolvendo i limiti di qualità e usabilità delle tecniche esistenti.
Il paper presenta BM25-V, un metodo di recupero immagini che applica il punteggio Okapi BM25 alle attivazioni sparse di parole visive derivate da un Auto-Encoder Sparse su feature di Vision Transformer, ottenendo un recupero ad alta precisione e interpretabilità che funge da efficiente primo stadio per il riordinamento denso senza necessità di addestramento aggiuntivo.
Questo studio introduce un quadro diagnostico spettrale per analizzare gli upsampler di feature nelle pipeline di ricostruzione 2D-3D, rivelando che la coerenza strutturale spettrale è un predittore più affidabile della qualità della ricostruzione rispetto al semplice miglioramento dei dettagli spaziali.
Il paper presenta EventGeM, un sistema all'avanguardia per il riconoscimento dei luoghi basato su eventi che fonde caratteristiche globali e locali utilizzando modelli pre-addestrati (ViT e MaxViT) e stime di profondità per ottenere prestazioni di localizzazione superiori e in tempo reale su diverse piattaforme computazionali.
Il paper propone LIPAR, un framework di pruning inter-frame senza addestramento che accelera la generazione video eliminando le ridondanze temporali e recuperando l'attenzione per mantenere la qualità visiva.
Il paper presenta MaCS, un semplice framework di regolarizzazione che migliora la calibrazione e la robustezza dei modelli di visione artificiale imponendo un margine tra le classi e la coerenza delle previsioni su input perturbati, senza richiedere modifiche architetturali o dati aggiuntivi.
Questo lavoro propone un framework architetturale unificato per l'imaging polarimetrico che, attraverso un elaborazione congiunta singola fase nei domini dell'immagine e di Stokes, supera le limitazioni dei metodi esistenti ottenendo prestazioni all'avanguardia nel recupero di parametri fisici coerenti da osservazioni degradate da rumore, sfocatura da movimento e artefatti di mosaico.