4137 articoli
Il paper dimostra che i modelli fondazionali vision-language possiedono una ricca conoscenza geometrica nei loro feature congelati, accessibile tramite semplici sonde lineari con alta precisione, rivelando che le limitazioni nella misurazione fisica derivano principalmente da deficit nel percorso di generazione testuale e non dalla rappresentazione visiva stessa.
Il paper presenta GreenRFM, un framework di pre-addestramento efficiente delle risorse per i modelli fondazionali di radiologia che, grazie a una supervisione "MUST" ottimizzata, raggiunge prestazioni all'avanguardia su diverse modalità di imaging riducendo drasticamente i requisiti computazionali e democratizzando l'accesso a modelli clinici avanzati.
Il paper presenta Match4Annotate, un framework leggero che propaga annotazioni sparse (punti e maschere) sia all'interno che tra diversi video medici, adattando a test-time una rappresentazione neurale implicita basata su SIREN per i feature DINOv3 e apprendendo un campo di deformazione implicito per garantire una corrispondenza precisa e spaziotemporalmente coerente.
Il paper presenta Self-Flow, un paradigma di flow matching auto-supervisionato che integra l'apprendimento delle rappresentazioni semantiche direttamente nel framework generativo tramite una schedulazione duale dei timestep, permettendo una sintesi multi-modale scalabile e di alta qualità senza dipendere da modelli esterni.
Il paper presenta SG-DOR, un framework relazionale che utilizza un'architettura di grafo neurale consapevole della direzione per inferire scene grafiche con ragionamento sull'occlusione, migliorando la pianificazione della raccolta robotica in colture di peperoni densi attraverso la previsione dell'occlusione e l'inferenza delle connessioni fisiche tra organi.
Questo studio presenta un sistema di intelligenza artificiale addestrato su oltre 45.000 immagini ecografiche che non solo diagnostica le fessure orofacciali fetali con un'accuratezza pari a quella dei radiologi esperti, ma funge anche da strumento didattico efficace per migliorare le capacità diagnostiche dei radiologi meno esperti.
Il paper introduce SCAN, un nuovo framework universale basato su AutoEncoder e sul principio dell'Information Bottleneck che genera mappe di auto-convinzione ad alta risoluzione per fornire spiegazioni visive chiare e fedeli sia per architetture CNN che Transformer, superando i compromessi esistenti tra fedeltà e applicabilità nell'IA spiegabile.
Il paper propone AV-Unified, un framework unificato che integra l'apprendimento congiunto di molteplici compiti di comprensione audio-visiva attraverso la standardizzazione degli input/output in token discreti e l'uso di moduli di percezione spaziotemporale multi-scala e cross-modale per analizzare scene complesse in modo olistico.
Il paper presenta una procedura di calibrazione spaziale per LiDAR diffusivi che stima il footprint e la sensibilità spaziale di ciascun pixel su un'immagine RGB, permettendo l'allineamento e la fusione cross-modale superando le limitazioni dei metodi di calibrazione tradizionali.
Il paper presenta NEGATE, un metodo senza riaddestramento che risolve il problema della negazione linguistica nei modelli di diffusione per la generazione video proiettando le guide semantiche su vincoli strutturati, garantendo così un'aderenza robusta ai comandi negativi mantenendo la coerenza visiva.
Il paper presenta SurgFormer, un modello transformer multirisoluzione che apprende la deformazione dei tessuti molli su mesh volumetriche per simulare in tempo reale sia la deformazione standard che le resezioni chirurgiche, utilizzando dati generati da solver XFEM su due nuovi dataset di colecistectomia e appendicectomia.
Questo lavoro analizza e misura la ridondanza nei dati multisorgente e multimodali per la guida autonoma, dimostrando che la rimozione selettiva di etichette ridondanti migliora le prestazioni di rilevamento degli oggetti, come evidenziato dai risultati ottenuti sui dataset nuScenes e Argoverse 2.
Il paper presenta EgoReasoner, un framework a due stadi che allinea scaffold di ragionamento e segnali di ricompensa alla struttura cognitiva specifica di ciascun compito per migliorare le prestazioni di ragionamento 4D egocentrico, ottenendo risultati superiori rispetto ai modelli più grandi su benchmark complessi.
Il paper introduce Penguin-VL, un modello Vision Language Model efficiente che supera i limiti dei codificatori visivi basati su pre-addestramento contrastivo sostituendoli con un encoder inizializzato da un LLM testuale, ottenendo prestazioni superiori in compiti di ragionamento e comprensione visiva su dispositivi con risorse limitate.
Il paper introduce SUREON, un vasto dataset di domande e risposte estratto da video chirurgici accademici, e due modelli di visione-linguaggio (SureonVLM e SureonVLM-R1) che, grazie a questo addestramento su ragionamento chirurgico, superano i modelli generici nel comprendere intenti, rischi e previsioni durante gli interventi.
SCOPE è un framework plug-and-play per la segmentazione 3D few-shot incrementale che migliora le prestazioni delle nuove categorie recuperando e fondendo prototipi da regioni di sfondo non etichettate, ottenendo risultati all'avanguardia su ScanNet e S3DIS senza dimenticare le conoscenze precedenti.
Il paper presenta BEVLM, un framework che colma il divario tra la ricchezza semantica dei Large Language Models e la coerenza spaziale delle rappresentazioni Bird's-Eye View, migliorando significativamente sia il ragionamento nelle scene di guida che le prestazioni di guida autonoma end-to-end in scenari critici per la sicurezza.
Il paper presenta Omni-Diffusion, il primo modello linguistico multimodale universale basato esclusivamente su un'architettura di diffusione discreta mascherata che unifica comprensione e generazione di testo, voce e immagini superando o eguagliando le prestazioni dei sistemi esistenti.
Questo studio dimostra che le prestazioni apparentemente inferiori dei Modelli Linguistici Multimodali (MLLM) nella classificazione delle immagini sono spesso artefatti derivanti da protocolli di valutazione difettosi e da ground truth rumorosi, i quali, una volta corretti, rivelano che tali modelli possono raggiungere livelli di accuratezza paragonabili a quelli dei modelli supervisionati e risultano strumenti preziosi per la curatela dei dataset.
Questo studio dimostra che le illusioni di movimento statico sono causate dalle capacità predittive del cervello, confermando tale ipotesi attraverso un modello generativo basato su reti neurali e test psicometrici sull'uomo, e propone di studiare i "fallimenti motivati" come strumento per la ricerca sull'intelligenza artificiale.