4371 articoli
Il paper presenta D2Dewarp, un modello di apprendimento profondo che migliora la distorsione delle immagini documentali percependo le deformazioni lungo due dimensioni (orizzontale e verticale) e introduce un nuovo dataset di addestramento su larga scala chiamato DocDewarpHV.
Il paper presenta VITA, un framework di apprendimento per politiche di flusso che mappano direttamente le rappresentazioni visive in azioni latenti senza rumore o condizionamento visivo iterativo, ottenendo un'inferenza più rapida e prestazioni competitive rispetto ai metodi tradizionali.
Questo articolo presenta un metodo innovativo basato sulle convoluzioni di omologia persistente che, catturando le caratteristiche topologiche locali dei campioni istopatologici, supera le limitazioni delle architetture CNN tradizionali migliorando l'accuratezza diagnostica e riducendo la sensibilità agli iperparametri.
Il paper propone IAPL, un nuovo paradigma di apprendimento che adatta dinamicamente i prompt in base a ogni immagine di test per migliorare la generalizzabilità e la robustezza nella rilevazione di immagini generate dall'IA, ottenendo prestazioni all'avanguardia su dataset universali.
Il paper presenta GaitSnippet, un nuovo approccio al riconoscimento dell'andatura che supera i limiti dei metodi basati su set o sequenze rappresentando il passo come una composizione di "snippet" (brevi segmenti di fotogrammi) per catturare contesti temporali multi-scala, ottenendo risultati superiori su diversi dataset di riferimento.
Il paper presenta Veason-R1, un modello LVLM specializzato per la segmentazione video basata sul ragionamento che, grazie all'addestramento con Chain-of-Thought e l'ottimizzazione GRPO, supera lo stato dell'arte migliorando significativamente la coerenza spaziotemporale e riducendo le allucinazioni.
Il paper propone S²-Guidance, un metodo senza addestramento che utilizza il blocco stocastico di blocchi durante il processo forward per affinare le previsioni subottimali dei modelli di diffusione e migliorare la qualità e la coerenza semantica delle immagini e dei video generati, superando le tecniche di guida esistenti come la Classifier-free Guidance.
Questo documento concettuale propone l'Adaptive Quantized Planetary Crater Detection System (AQ-PCDSys), un'architettura che integra reti neurali quantizzate e fusione adattiva di sensori per abilitare il rilevamento in tempo reale dei crateri planetari su hardware spaziale con risorse computazionali e energetiche estremamente limitate.
Il paper presenta ROBUST-MIPS, un dataset arricchito derivato da ROBUST-MIS che combina annotazioni di pose scheletriche e segmentazione di istanza per gli strumenti chirurgici, dimostrando come le annotazioni di pose offrano un approccio più efficiente ed efficace per la localizzazione degli strumenti in chirurgia laparoscopica.
Il paper propone un framework di pruning dei token leggero che preserva gli indici, filtrando le regioni non informative delle immagini di documenti tramite un classificatore binario e un raffinamento con max-pooling per ridurre i costi computazionali dei modelli visione-linguaggio mantenendo l'accuratezza.
QDFlow è un pacchetto Python open-source che simula dispositivi a punti quantici multipli generando dati sintetici realistici con etichette di verità fondamentale, facilitando così lo sviluppo e il benchmarking di approcci di apprendimento automatico per la calibrazione di tali dispositivi.
Questo articolo propone il blocco DSC (Dynamic Skip Connection), che supera i limiti delle connessioni skip tradizionali nelle reti U-like per la segmentazione di immagini mediche integrando un modulo TTT per l'adattamento dinamico delle rappresentazioni e un modulo DMSK per l'aggregazione multi-scala, dimostrando efficacia plug-and-play su diverse architetture.
Questo lavoro introduce il primo benchmark per la segmentazione video basata su azioni in presenza di rumore nelle etichette, proponendo un nuovo meccanismo parallelo per le maschere e un'analisi approfondita delle strategie di apprendimento robuste per l'intelligenza incarnata.
Il paper presenta un risolutore locale ad alta velocità per la stima della forma e della posa di oggetti a livello di categoria, che combina keypoints semantici appresi con un modello di forma attiva lineare e un metodo iterativo efficiente per garantire l'ottimalità globale in meno di un millisecondo.
Il paper presenta il Raw-JPEG Adapter, un pipeline pre-elaborazione apprendibile e invertibile che adatta le immagini raw alla compressione JPEG standard, consentendo un'archiviazione efficiente con parametri compatti e una ricostruzione fedele superiore rispetto alla compressione JPEG diretta.
Il paper presenta Vision-Zero, un framework multi-agente senza etichette che migliora i modelli visione-linguaggio attraverso un'auto-miglioramento scalabile basato su giochi strategici generati da immagini arbitrarie e un algoritmo di ottimizzazione iterativa che supera i limiti dei metodi tradizionali dipendenti da annotazioni umane.
Questo lavoro presenta un nuovo framework per l'editing di immagini senza addestramento che formula il processo come un problema di controllo ottimo di traiettoria, permettendo di massimizzare ricompense specifiche mantenendo al contempo l'integrità semantica dell'immagine originale.
Questo lavoro presenta un'indagine sistematica sulla generazione e modifica di visualizzazioni strutturate, introducendo un vasto dataset, un modello unificato addestrato con un curriculum a tre stadi e un nuovo benchmark chiamato StructBench per migliorare l'accuratezza fattuale in questo dominio.
Il paper presenta TIGeR, un nuovo framework che potenzia i modelli visione-linguaggio per la robotica integrando calcoli geometrici precisi tramite strumenti esterni e un dataset dedicato, superando i limiti delle stime qualitative per raggiungere un'accuratezza centimetrica nelle manipolazioni reali.
Il paper presenta ToMCLIP, un framework che migliora l'allineamento multilingue nei modelli visione-linguaggio applicando vincoli topologici basati sull'omologia persistente per preservare la geometria globale dello spazio di embedding, ottenendo così prestazioni superiori nel recupero multilingue e nel riconoscimento zero-shot.