4160 articoli
Il paper presenta SURE, un framework di abbinamento delle caratteristiche semi-denso che migliora l'affidabilità delle corrispondenze tra immagini in scenari difficili prevedendo sia le coordinate che la loro incertezza attraverso un approccio basato su evidenze.
Il paper presenta PNG, un nuovo framework basato sulla diffusione che genera rumore realistico in immagini sRGB utilizzando rappresentazioni apprese tramite prompt, eliminando la dipendenza dai metadati della fotocamera e migliorando così la generalizzabilità della sintesi del rumore per la rimozione del rumore reale.
Questo studio dimostra che è possibile prevedere con un'accuratezza dell'80,4% il tipo di lancio di baseball analizzando esclusivamente la cinematica 3D del corpo del lanciatore, rivelando che la meccanica del busto e la posizione del polso sono i fattori più determinanti, mentre le varianti di presa non sono distinguibili dal movimento corporeo.
Questo lavoro propone un nuovo framework a due stadi per la generazione automatica di referti tomografici (CTRG) che, sfruttando un apprendimento contrastivo immagine-testo guidato dall'osservazione delle strutture anatomiche e tecniche di mitigazione dei falsi negativi, supera le prestazioni attuali migliorando l'efficienza clinica.
Il paper presenta DeformTrace, un modello innovativo basato su stati spaziali deformabili e token di relay che supera le limitazioni delle tecniche attuali per la localizzazione temporale delle falsificazioni, offrendo prestazioni all'avanguardia con maggiore efficienza e robustezza.
Il paper propone FedMEPD, un nuovo framework di apprendimento federato che utilizza encoder specifici per modalità e decoder di fusione parzialmente personalizzati per affrontare l'eterogeneità intermodale e le esigenze di personalizzazione nella segmentazione dei tumori cerebrali multimodale.
Il paper propone FedAFD, un quadro unificato per l'apprendimento federato multimodale che, attraverso allineamento avversariale, fusione adattiva e distillazione guidata dalla similarità, risolve le sfide dell'eterogeneità dei dati e dei modelli per migliorare le prestazioni sia lato client che server.
Questo lavoro presenta un metodo semplice ed efficace per migliorare le prestazioni di segmentazione dei Vision Transformer, introducendo un kernel gaussiano apprendibile che modula l'attenzione verso i patch vicini, ottenendo significativi guadagni su benchmark di segmentazione senza compromettere le capacità di classificazione o richiedere modifiche al regime di addestramento.
Il paper propone FC-VFI, un metodo innovativo per l'interpolazione video che sfrutta modelli di diffusione pre-addestrati con nuove strategie di modellazione temporale e una funzione di perdita specifica per generare video ad alta fedeltà e coerenza a 120 e 240 FPS, superando i limiti di fedeltà e consistenza temporale delle tecniche esistenti.
Il paper propone AdaIAT, un metodo che mitiga le allucinazioni nei modelli visione-linguaggio su larga scala adattivamente aumentando l'attenzione sui token generati, riducendo così gli errori visivi senza compromettere la coerenza linguistica o causare descrizioni ripetitive.
Questo lavoro propone un metodo di ottimizzazione di texture avversarie 3D, basato su rendering differenziabile e strategie di ottimizzazione come EOT e un curriculum da grezzo a fine, per identificare e sfruttare le vulnerabilità delle politiche visuomotorie robotiche sotto diverse angolazioni di visione, superando i limiti delle tradizionali patch 2D.
Questo articolo presenta un dataset specifico per la rilevazione e il tracciamento di persone tramite LiDAR montato su gru a ponte, valutando l'adattamento di vari rilevatori 3D e algoritmi di tracciamento in un ambiente industriale per colmare il divario tra i dati di guida standard e la visione dall'alto.
Il paper propone un nuovo framework di apprendimento profondo basato su prototipi e supervisione debole che migliora l'interpretabilità e l'affidabilità della classificazione del cancro alla prostata confrontando le regioni sospette con esempi clinicamente validati, riducendo così il carico di lavoro dei patologi.
Il paper introduce TimeWarp, un benchmark che valuta la robustezza degli agenti web di fronte ai cambiamenti dell'interfaccia, e propone TimeTraj, un algoritmo che migliora significativamente le prestazioni degli agenti insegnando loro a generalizzare attraverso diverse versioni storiche dei siti web.
Il paper propone un nuovo framework di pre-addestramento basato su compiti consapevoli della posizione per migliorare la capacità dei modelli di rispondere a domande visive mediche confrontando immagini, ottenendo risultati all'avanguardia nel rilevamento delle variazioni cliniche nelle radiografie del torace.
Il paper presenta VisionPangu, un assistente multimodale compatto da 1,7 miliardi di parametri che, combinando un encoder visivo InternVL, un backbone linguistico OpenPangu e un addestramento supervisionato con descrizioni dense del dataset DOCCI, migliora significativamente la generazione di didascalie dettagliate e semanticamente coerenti senza richiedere architetture su larga scala.
Questo paper introduce un nuovo modello di camera che estende la proiezione ortografica con un parametro di restringimento per catturare efficacemente le distorsioni prospettiche nelle immagini facciali ravvicinate, migliorando così la regressione dei modelli 3DMM monoculari su video acquisiti con telecamere montate sulla testa.
Il paper presenta BiEvLight, un framework di apprendimento bi-livello che risolve il problema del rumore accoppiato nelle immagini a bassa luminosità ottimizzando in modo collaborativo la denoising degli eventi e il potenziamento dell'immagine, ottenendo risultati superiori rispetto agli stati dell'arte.
Il paper presenta 3D-RFT, il primo framework che estende il Reinforcement Learning con ricompense verificabili (RLVR) alla comprensione delle scene 3D basata su video, ottimizzando direttamente le metriche di valutazione attraverso un processo di fine-tuning ibrido SFT e GRPO per ottenere prestazioni state-of-the-art superiori a modelli più grandi.
Il paper presenta VideoHV-Agent, un framework multi-agente che rivoluziona la comprensione dei video lunghi sostituendo la ricerca reattiva con un processo strutturato di formulazione e verifica delle ipotesi, ottenendo così risultati all'avanguardia in termini di accuratezza, interpretabilità ed efficienza computazionale.