4749 articoli
EdgeDAM è un framework di tracciamento leggero e guidato dalla rilevazione progettato per dispositivi mobili che, integrando una memoria a doppio buffer e un meccanismo di stabilizzazione della scatola, supera i compromessi tra accuratezza e velocità per garantire un tracciamento robusto in tempo reale anche in presenza di occlusioni e distrattori.
Il paper introduce HALP, un metodo che rileva le allucinazioni nei modelli visione-linguaggio analizzando le loro rappresentazioni interne in un'unica passata in avanti prima della generazione di qualsiasi token, consentendo così interventi tempestivi ed efficienti senza dover decodificare il testo.
Questo studio dimostra che è possibile ricostruire scene 3D di pennacchi di gas da immagini iperspettrali a infrarossi termici (LWIR) utilizzando una variante ottimizzata delle Neural Radiance Fields (NeRF), che richiede meno immagini di addestramento e permette un'efficace rilevamento del gas.
Il paper introduce MM-Lifelong, un dataset di 181,1 ore di video che cattura la vita quotidiana su scale temporali diverse, e propone ReMA, un agente ricorsivo con gestione dinamica della memoria che supera i limiti delle attuali MLLM e baselines agentiche nel comprendere contesti a lungo termine.
Il paper presenta CalibAtt, un metodo senza addestramento che accelera la generazione video da testo mediante un'attenzione sparsa calibrata che identifica e salta le connessioni tra token irrilevanti, ottenendo un significativo aumento della velocità senza compromettere la qualità.
Il paper presenta FaceCam, un sistema che genera video di ritratti umani con traiettorie di telecamera personalizzabili, risolvendo le distorsioni geometriche tipiche dei metodi esistenti attraverso una rappresentazione di controllo della scala specifica per i volti e strategie di addestramento ibrido.
Il paper propone un metodo di inpainting basato su transformer, progettato come modulo post-processing indipendente e in tempo reale, che utilizza embedding spaziotemporali per ricostruire texture mancanti in flussi 3D da telecamere multiple, garantendo coerenza visiva e prestazioni superiori rispetto alle tecniche esistenti.
Questo lavoro presenta "Volley Revolver", un nuovo metodo di codifica matriciale che abilita l'inferenza efficiente di reti neurali convoluzionali su dati cifrati tramite crittografia omomorfica, permettendo la classificazione di immagini MNIST su cloud pubblico con un singolo upload di cifrato.
Il documento propone un approccio innovativo alla privacy visiva che utilizza stati quantistici per mantenere le immagini simultaneamente private e utili fino alla misurazione, controllando il compromesso tra anonimato e utilità tramite un algoritmo di apprendimento per rinforzo basato sul double deep Q-learning.
GeoTop è un framework matematicamente fondato che unisce l'Analisi Topologica dei Dati e le Curvature di Lipschitz-Killing per risolvere l'ambiguità tra strutture benigne e maligne nell'imaging diagnostico, migliorando significativamente l'accuratezza e l'interpretabilità nella classificazione delle lesioni cutanee.
Questo articolo propone un metodo innovativo per la segmentazione istanza di oggetti mimetizzati in ambito open-vocabulary, sfruttando le capacità dei modelli di diffusione testo-immagine per apprendere rappresentazioni visivo-testuali multiscala che superano le sfide poste dal camuffamento e permettono l'identificazione di nuove classi di oggetti.
Il paper presenta Export3D, un metodo one-shot per l'animazione ritrattistica 3D-aware che, sfruttando un generatore di tri-piano condizionato dall'espressione e un framework di pre-addestramento contrastivo, permette di controllare espressioni facciali e viste della telecamera senza scambiare le caratteristiche dell'identità.
Il paper presenta FireANTs, un algoritmo di ottimizzazione Riemanniana adattiva multi-scala, privo di training e accelerato da GPU, che risolve il problema dell'adattamento diffeomorfo denso offrendo una velocità e un'efficienza di memoria superiori rispetto ai metodi tradizionali e deep learning, garantendo al contempo una robustezza trasversale a diverse modalità e specie senza necessità di addestramento specifico.
Il paper presenta Merlin, un modello fondazionale visione-linguaggio 3D addestrato su un vasto dataset clinico di scansioni TC addominali e dati sanitari, che supera i modelli esistenti nel comprendere volumi medici complessi e nel svolgere compiti diagnostici, prognostici e di generazione di report senza necessità di annotazioni manuali aggiuntive.
Il paper introduce TrashFuzz, un algoritmo di fuzzing in black-box che genera scenari realistici manipolando la posizione di oggetti stradali comuni per indurre sistemi di guida autonoma a violare le leggi del traffico, dimostrando su Apollo che tali manovre possono portare alla violazione di 15 su 24 norme.
Il paper propone FINE, un metodo di pre-addestramento innovativo che scompone la conoscenza dei modelli di diffusione in componenti fondamentali chiamati "learngenes", consentendo l'inizializzazione efficiente e diretta di modelli di dimensioni variabili senza la necessità di un ripetuto pre-addestramento.
Questo studio conferma per la prima volta l'esistenza di leggi di scalabilità nei Diffusion Transformers (DiT), dimostrando che la perdita di pre-addestramento segue una relazione di potenza con il calcolo computazionale, permettendo così di prevedere con precisione le dimensioni ottimali del modello, i requisiti di dati e le prestazioni di generazione per budget computazionali anche molto elevati.
Il paper presenta TextMaster, un framework unificato che migliora l'accuratezza e il controllo dello stile nell'editing testuale delle immagini integrando informazioni sui glifi ad alta risoluzione, perdite percettive e un meccanismo di attenzione per la regressione dei riquadri, superando così le limitazioni delle metodologie esistenti.
Il paper introduce FlowCLAS, un framework ibrido che potenzia i flussi normalizzanti per la segmentazione delle anomalie nei robot combinando l'obiettivo di massima verosimiglianza con una perdita di contrasto tramite esposizione agli outlier, ottenendo così prestazioni all'avanguardia e colmando il divario con i metodi discriminatori.
Il paper presenta VideoMindPalace, un nuovo framework che organizza i momenti chiave dei video in un grafo semantico strutturato ispirato al "palazzo della mente" per migliorare l'analisi di video lunghi e il ragionamento spaziotemporale nei modelli linguistici visivi, accompagnato dal benchmark VMB per valutarne le capacità.