4146 articoli
Il paper introduce Kiwi-Edit, un nuovo approccio all'editing video basato su istruzioni e riferimenti visivi che supera le limitazioni attuali grazie a una pipeline di generazione dati scalabile, al dataset RefVIE e a un'architettura unificata che raggiunge lo stato dell'arte nel controllo preciso delle modifiche video.
Il paper presenta Track4World, un modello feedforward che stima in modo efficiente la traiettoria 3D di ogni pixel di un video monoculare in un sistema di coordinate centrato sul mondo, superando i limiti delle metodologie precedenti nella ricostruzione 4D densa.
Il paper presenta PVT-GDLA, un decoder Transformer basato su un'attenzione lineare differenziale e gateata che, integrando un encoder PVT, risolve i problemi di instabilità e diluizione delle mappe per ottenere una segmentazione medica ad alta fedeltà con complessità computazionale lineare e prestazioni superiori rispetto alle architetture esistenti.
Il paper "MultiShadow" presenta un approccio basato su modelli di diffusione pre-addestrati per generare ombre fisicamente plausibili e coerenti per multipli oggetti inseriti in una scena, superando i limiti delle metodologie esistenti focalizzate su singoli oggetti.
Il paper introduce IoUCert, un nuovo framework di verifica formale che supera le difficoltà legate alle trasformazioni non lineari e alla metrica IoU per garantire la robustezza di modelli di rilevamento oggetti basati su anchor come SSD e YOLO.
Gli autori propongono un framework di traduzione neurale non accoppiato basato sul ponte di Schrödinger, potenziato da un allineamento distributivo guidato da diffusione e da un regolarizzatore per la preservazione anatomica, per migliorare la qualità delle immagini risonanza magnetica a ultra-basso campo (64 mT) rendendole comparabili a quelle a 3 T senza richiedere dati di addestramento accoppiati.
Il paper presenta TumorFlow, un quadro generativo condizionato da principi biofisici che sintetizza sequenze longitudinali realistiche di risonanza magnetica cerebrale per visualizzare la crescita e l'infiltrazione del glioblastoma, combinando modelli di crescita tumorale con tecniche di generazione avanzata per supportare la pianificazione terapeutica personalizzata.
Il paper presenta NOVA3R, un approccio feed-forward basato su Transformer che, utilizzando un meccanismo di token di scena e un decoder di diffusione, ricostruisce amodalmente geometrie 3D complete e non allineate ai pixel a partire da immagini non posizionate, superando i limiti dei metodi tradizionali legati all'allineamento per raggio.
Questo lavoro propone un nuovo framework unificato che, sfruttando l'attenzione incrociata tra compiti e strategie di supervisione mista, risolve le sfide del rilevamento congiunto di lacune e spazi perivascolari ingranditi nella malattia dei piccoli vasi cerebrali, ottenendo prestazioni all'avanguardia e una robusta validazione su dataset su larga scala.
Il paper introduce "Gaussian Wardrobe", un nuovo framework che utilizza una rappresentazione composita 3D basata su Gaussiani per digitalizzare avatar neurali separando il corpo dai vestiti, permettendo così la sintesi di pose realistiche e il trasferimento libero degli indumenti su nuovi soggetti.
Questo studio dimostra che l'allineamento linguistico, attraverso un nuovo metodo chiamato "Semantic Anchoring", risolve il collasso semantico nei modelli foundation per la patologia computazionale, migliorando significativamente la rilevazione del cancro sia in contesti interspecie che inter-tumorali senza necessità di riaddestramento.
Questo paper propone il framework "Dual Tuning" per quantificare i benefici del ragionamento nei task multimodali, definendo un "confine del pensiero" che guida la selezione strategica dei dati e delle tecniche di addestramento, sfidando così l'approccio universalmente basato sul ragionamento.
Il paper introduce SkillNet, un'infrastruttura aperta che crea, valuta e organizza competenze AI su larga scala attraverso un'ontologia unificata e un repository di oltre 200.000 competenze, migliorando significativamente le prestazioni degli agenti riducendo la necessità di reinventare soluzioni già esistenti.
Questo articolo presenta un approccio di deep learning multi-modale che integra dati video, pose umane e oggetti tramite meccanismi di attenzione incrociata per migliorare il riconoscimento delle attività quotidiane negli ambienti di vita assistita per anziani, dimostrando risultati promettenti sul dataset Toyota SmartHome.
Il paper introduce InverseNet, il primo benchmark cross-modale che quantifica l'impatto del disallineamento tra operatori fisici e modelli computazionali nelle immagini compressive, rivelando come la maggior parte dei metodi deep learning perda significativamente in robustezza e come la calibrazione cieca possa recuperare quasi interamente le prestazioni perse.
Questo studio analizza diverse strategie di fusione e raggruppamento per migliorare l'accuratezza della classificazione delle Zone Climatiche Locali (LCZ) utilizzando dati di telerilevamento multimodali, dimostrando che un modello ibrido di base combinato con il raggruppamento delle bande e la fusione dei livelli decisionali raggiunge la massima precisione del 76,6% sul dataset So2Sat LCZ42.
Il paper propone il "Dual-LoRA Controllable Diffusion", un framework unificato di diffusione guidato da centroidi che utilizza adattatori LoRA specifici per il compito per generare immagini di istopatologia realistiche e strutturalmente coerenti, migliorando significativamente sia il completamento locale che la sintesi globale rispetto agli stati dell'arte esistenti.
Il paper introduce Partial Vision Mamba (PVM), un nuovo componente architetturale che adatta i principi delle convoluzioni parziali ai modelli a spazio di stato come Mamba, permettendo loro di gestire efficacemente dati con regioni mancanti o invalide in compiti di visione artificiale come il completamento della profondità e l'inpainting.
Il paper presenta PinPoint, un nuovo benchmark completo per la Ricerca di Immagini Composte (CIR) che introduce valutazioni su negativi espliciti, query multi-immagine e robustezza alle parafrasi, rivelando limiti significativi negli attuali metodi e proponendo una soluzione di riordinamento basata su MLLM per colmare tali lacune.
Questo lavoro presenta il modello SGR3, un framework senza addestramento che utilizza modelli linguistici multimodali potenziati dal retrieval per generare scene graph 3D senza necessità di ricostruzione esplicita, ottenendo prestazioni competitive rispetto ai modelli basati su GNN.