4061 articoli
Il paper presenta RMD, un nuovo framework di distillazione che colma il divario distributivo tra risoluzioni diverse tramite mappatura basata sul logSNR e reiniezione del rumore previsto, consentendo un'inferenza multi-risoluzione ad alta fedeltà con accelerazioni fino a 33,4 volte su SDXL e 25,6 volte su Wan2.1-14B.
Il paper presenta Place-it-R1, un framework end-to-end che sfrutta il ragionamento Chain-of-Thought dei Modelli Linguistici Multimodali per guidare l'inserimento di oggetti nei video, garantendo coerenza fisica e interazione con l'ambiente attraverso un ciclo di pensiero e generazione che supera i limiti delle tecniche attuali focalizzate solo sulla fedeltà visiva.
Questo studio dimostra che i modelli visione-linguaggio falliscono sistematicamente di fronte a distorsioni cromatiche spaziali che gli esseri umani percepiscono facilmente, suggerendo che l'adozione di pre-elaborazioni ispirate alla percezione umana possa migliorare la loro robustezza.
Questo studio presenta un framework di "Trattamento Virtuale" basato su modelli generativi multimodali, in particolare quelli diffusion-based, che sintetizzano immagini CT follow-up realistiche per prevedere l'evoluzione dei tumori del polmone non a piccole cellule (NSCLC) durante la radioterapia, integrando dati anatomici, variabili cliniche e incrementi di dose.
Il paper presenta VLM-RobustBench, un benchmark completo che valuta la robustezza dei modelli visione-linguaggio contro 133 tipi di perturbazioni, rivelando che le distorsioni geometriche e di ricampionamento a bassa severità compromettono le prestazioni più delle corruzioni fotometriche visivamente gravi, evidenziando la fragilità spaziale di questi modelli.
Il paper propone la Reflective Flow Sampling (RF-Sampling), un metodo di inferenza senza addestramento e teoricamente fondato che migliora la qualità e l'allineamento al prompt dei modelli di generazione immagini basati sul flow matching, come FLUX, dimostrando anche capacità di scaling al momento del test.
Il paper presenta FreeOcc, una pipeline di previsione dell'occupazione panottica priva di addestramento che sfrutta modelli fondazionali pre-addestrati per ricostruire geometrie e semantica 3D da immagini multi-veduta, ottenendo prestazioni competitive con metodi supervisionati senza richiedere dati di addestramento specifici.
Il paper propone un framework semi-supervisionato per la segmentazione delle immagini ecografiche mammarie che, sfruttando modelli visione-linguaggio per generare pseudo-etichette senza addestramento e tecniche di raffinamento avanzate, raggiunge prestazioni paragonabili a quelle dei modelli completamente supervisionati utilizzando solo il 2,5% di dati annotati.
Il paper presenta JOPP-3D, un framework innovativo per la segmentazione semantica open-vocabulary che unisce dati di nuvole di punti e immagini panoramiche per abilitare la comprensione delle scene tramite query linguistiche, ottenendo risultati significativamente superiori allo stato dell'arte su dataset come Stanford-2D-3D-s e ToF-360.
Questo paper presenta un metodo per ottimizzare i modelli di diffusione 3D per la generazione di immagini mediche, utilizzando l'apprendimento per rinforzo con un sistema di ricompensa multi-scala che migliora sia la coerenza strutturale globale che i dettagli locali, ottenendo risultati superiori nelle metriche di qualità e nell'utilità per compiti di classificazione tumorale.
Questo lavoro propone due tecniche, aggregazione automatica e ridimensionamento per pixel, per colmare le discrepanze nelle mappe di attenzione dei modelli di diffusione, consentendo ai segmentatori senza addestramento di scalare efficacemente con la potenza generativa dei modelli sottostanti.
Il documento propone un framework a due stadi che combina l'apprendimento contrastivo supervisionato su alfabeti inventati con la distillazione da insegnante a studente per apprendere metriche di similarità tra sistemi di scrittura storici, permettendo sia la distinzione netta tra sistemi diversi che l'identificazione di somiglianze latenti senza richiedere relazioni evolutive verificate.
Questo articolo propone il "Motion Turing Test" e il dataset HHMotion per valutare l'umanizzazione dei movimenti dei robot umanoidi, rivelando che le attuali intelligenze artificiali multimodali faticano a prevedere l'umanicità dei movimenti e introducendo un modello di base più efficace per tale compito.
Il paper introduce CRIMSON, un nuovo framework di valutazione basato su LLM e fondato su principi clinici per i report radiologici generativi, che assegna pesi differenziati agli errori in base alla loro gravità e rilevanza clinica, dimostrando una forte allineamento con il giudizio di radiologi esperti attraverso benchmark specifici come RadJudge e RadPref.
Il paper presenta SpaCRD, un metodo di apprendimento per trasferimento che fonde profondamente immagini istologiche e dati di trascrittomica spaziale tramite una rete di attenzione incrociata bidirezionale per rilevare con maggiore accuratezza le regioni tumorali, superando i limiti dei metodi attuali e dimostrando prestazioni superiori su 23 dataset multi-piattaforma.
Il paper presenta ALANet, una rete neurale adattiva che rimuove riflessi complessi dalle immagini integrando strategie di filtraggio e ottimizzazione per gestire descrizioni linguistiche imprecise, supportata dal nuovo dataset CRLAV.
Questo lavoro propone un nuovo framework per la segmentazione delle azioni umane basato su scheletri e supervisionato da punti, che utilizza dati multimodali e tecniche di pseudo-etichettatura per raggiungere prestazioni competitive riducendo drasticamente il costo delle annotazioni rispetto ai metodi fully-supervised.
Il paper introduce VG3S, un nuovo framework che potenzia la previsione dell'occupazione semantica 3D integrando forti segnali geometrici da Modelli Fondamentali Visivi (VFM) tramite un adattatore gerarchico, ottenendo significativi miglioramenti di accuratezza sul benchmark nuScenes.
Il paper introduce CoE, un framework di riepilogo multimodale senza addestramento che utilizza un Grafo Gerarchico di Eventi per guidare un ragionamento strutturato a catena, superando le limitazioni degli approcci esistenti e ottenendo prestazioni superiori su otto dataset diversi.
Il paper presenta EntON, una strategia di densificazione dei vicini ottimizzata tramite entropia degli autovalori per lo Splatting Gaussiano 3D, che migliora significativamente la precisione geometrica e la qualità del rendering riducendo al contempo il numero di gaussiane e il tempo di addestramento.