4424 articoli
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.
Il paper presenta COGS, un framework di sintesi dati basato sulla composizione che potenzia le capacità di ragionamento dei modelli linguistici multimodali preaddestrati su domini artificiali come grafici e pagine web, decomponendo le domande in fattori primitici per generare coppie domanda-risposta sintetiche addestrate con ricompense di processo a livello fattoriale.
Questo studio dimostra che l'efficacia del rilevamento OOD basato su Mahalanobis dipende dalla geometria dello spazio delle caratteristiche, introducendo una normalizzazione radialmente scalata che ottimizza le prestazioni sfruttando segnali geometrici intrinseci.
Kaleido è un modello open-source per la generazione di video multi-soggetto che supera le limitazioni degli approcci esistenti grazie a una pipeline di costruzione dati dedicata e a una nuova codifica posizionale rotazionale (R-RoPE), garantendo una maggiore coerenza, fedeltà e disentanglement dello sfondo.
Il documento presenta il Prior-guided Concept Predictor (PCP), un nuovo framework di apprendimento debolmente supervisionato che, sfruttando prior di classe e meccanismi di regolarizzazione, permette di ottenere diagnosi mediche interpretabili senza costose annotazioni concettuali, superando significativamente le prestazioni dei modelli zero-shot e competendo con quelli completamente supervisionati.
Questo articolo propone un nuovo framework unificato che ottimizza simultaneamente la geometria della mesh e i colori dei vertici, guidati dai Gaussiani, per ottenere ricostruzioni 3D di alta qualità da immagini multi-vista, superando la separazione tradizionale tra accuratezza geometrica e rendering fotorealistico e abilitando così compiti di editing downstream come il rilighting e la deformazione.
Il paper propone un nuovo framework di concordanza semantica consapevole dei bordi che, attraverso la ricodifica latente e l'ottimizzazione dell'incertezza, risolve l'eterogeneità tra eventi e RGB per ottenere una segmentazione semantica resiliente anche in condizioni estreme.
Il paper presenta NeuCLIP, un nuovo framework di ottimizzazione che riformula la funzione di perdita contrastiva CLIP tramite analisi convessa e variazionale per stimare efficientemente il termine di normalizzazione utilizzando una rete neurale ausiliaria, superando così i limiti computazionali e di precisione dei metodi precedenti su dataset su larga scala.
Il paper "Scriboora" presenta una pipeline unificata per la previsione della posa umana, evidenzia problemi di riproducibilità, dimostra come i modelli linguistici possano migliorare le prestazioni attuali e valuta la robustezza dei modelli su dati rumorosi derivanti da stime di posa reali, proponendo una nuova variante del dataset e tecniche di affinamento non supervisionato per recuperare le prestazioni perse.