1863 articoli
Questo articolo presenta un approccio a doppia pipeline per la segmentazione di immagini di uccelli basato su modelli fondazionali del 2025, che combina Grounding DINO 1.5 e YOLOv11 con SAM 2.1 per ottenere risultati di precisione superiore sia in modalità zero-shot che supervisionata, superando le reti di segmentazione tradizionali.
Il paper introduce DOCFORGE-BENCH, il primo benchmark zero-shot per la rilevazione di falsificazioni documentali, rivelando che i metodi attuali falliscono nella pratica non per carenze rappresentative ma a causa di una scarsa calibrazione delle soglie dovuta alla rarità delle regioni alterate, sottolineando al contempo la necessità urgente di valutare nuove minacce basate sull'IA generativa.
Il paper introduce Pri4R, un approccio semplice ed efficace che potenzia i modelli Vision-Language-Action con una comprensione implicita delle dinamiche del mondo attraverso l'addestramento su rappresentazioni 4D privilegiate, migliorando significativamente le prestazioni nei compiti di manipolazione fisica senza aggiungere overhead computazionale durante l'inferenza.
Questo articolo offre una revisione comparativa dei processori AI edge e in-sensor, integrando un'analisi architetturale con benchmark empirici su tre piattaforme rappresentative (GAP9, STM32N6 e Sony IMX500) per evidenziare i compromessi tra latenza, efficienza energetica e il crescente potenziale dell'elaborazione direttamente nel sensore.
Il paper presenta Granulon, un nuovo modello MLLM basato su DINOv3 che integra un controller di granularità testuale e un modulo di aggregazione adattiva per unificare il ragionamento visivo a più livelli di dettaglio, migliorando significativamente l'accuratezza e riducendo le allucinazioni.
Il paper presenta un framework nativo per la rappresentazione che implementa una filigrana robusta e impercettibile per il 3D Gaussian Splatting, garantendo un eccellente compromesso tra qualità visiva e resilienza ai disturbi grazie a moduli intelligenti per la selezione dei portatori e all'uso di decoupled finetuning per fornire spiegazioni auditabili.
Il paper presenta VisionCreator-R1, un agente nativo per la generazione visiva potenziato da meccanismi di riflessione e addestrato tramite un metodo di ottimizzazione congiunta (RPCO) che risolve l'asimmetria nell'apprendimento per rinforzo tra pianificazione e riflessione, superando le prestazioni di Gemini2.5Pro su benchmark per la generazione di immagini singole e multiple.
Questa ricerca presenta un sistema intelligente di assegnazione dei parcheggi basato sulla visione artificiale e sul modello YOLOv8, che utilizza la mappatura prospettica inversa per integrare viste multiple e simulare un ambiente 3D al fine di ottimizzare l'efficienza e la sostenibilità nei contesti urbani.
Il paper presenta MuCTaL, un framework di localizzazione tumorale leggero e addestrato su quattro tipi di cancro che, pur mostrando una buona generalizzazione su un quinto tipo non visto, dimostra come l'addestramento bilanciato su scala moderata possa ottenere prestazioni elevate per l'analisi digitale delle patologie.
HECTOR è un nuovo pipeline generativo che supera i limiti dei modelli attuali consentendo un controllo compositivo fine-granularità sui video attraverso un'ibridazione di riferimenti statici e dinamici, permettendo agli utenti di definire esplicitamente le traiettorie, la posizione, la scala e la velocità di ciascun elemento per garantire coerenza spaziotemporale e alta fedeltà visiva.
Questo studio presenta un framework sistematico per valutare la vulnerabilità di tre architetture VLM per la guida autonoma agli attacchi fisici tramite patch, rivelando gravi difetti di robustezza e modelli di vulnerabilità specifici che ne compromettono l'affidabilità in scenari critici per la sicurezza.
Questo lavoro introduce la segmentazione delle query visive (VQS) come nuovo paradigma per localizzare tutte le occorrenze di un oggetto in video non tagliati, presentando il benchmark su larga scala VQS-4K e il metodo VQ-SAM, che estende SAM 2 per ottenere risultati superiori rispetto agli approcci esistenti.
Il paper propone gli adattatori Multi-Kernel Gated (MKGA) e ResMKGA, un'architettura leggera che combina le capacità geometriche dei ViT e quelle testurali delle CNN per migliorare la robustezza nella segmentazione e nella diagnosi di noduli tiroidei in ecografia attraverso diversi centri medici.
Il paper presenta MedCBR, un nuovo framework di ragionamento basato su concetti che integra le linee guida cliniche nei modelli visione-linguaggio per migliorare l'interpretabilità e l'affidabilità delle diagnosi mediche attraverso la generazione di narrazioni cliniche strutturate.
Il documento presenta la MEGC 2026, una sfida internazionale che introduce due nuovi compiti di question answering su video (ME-VQA e ME-LVQA) basati sull'analisi delle micro-espressioni facciali tramite modelli linguistici e visivi multimodali.
Il paper presenta TIDE, un metodo di estrazione senza addestramento per i Diffusion Transformer che risolve i problemi di degradazione strutturale e perdita di dettagli nelle immagini ad alta risoluzione bilanciando i token testuali e immateriali tramite un ancoraggio testuale e un controllo dinamico della temperatura basato sulla progressione spettrale.
Questo studio introduce un benchmark sintetico e propone un approccio innovativo che utilizza modelli visione-linguaggio fondazionali (Gemma 3 e Qwen3-VL) per generare automaticamente configurazioni JSON per simulazioni di piante da immagini di droni, offrendo un framework scalabile per la creazione di gemelli digitali in agricoltura.
Il paper presenta PathoScribe, un framework unificato basato su modelli linguistici di grandi dimensioni (LLM) che trasforma gli archivi di patologia statici in una "biblioteca vivente" interattiva, abilitando il recupero semantico, il ragionamento clinico e la costruzione automatizzata di coorti di ricerca con elevata precisione ed efficienza.
Il paper introduce BiCLIP, un framework semplice ed efficiente che migliora l'adattamento ai domini specifici per i modelli visione-linguaggio applicando una trasformazione geometrica strutturata ai feature multimodali, ottenendo risultati all'avanguardia su 11 benchmark.
Questo lavoro introduce il primo benchmark di apprendimento continuo senza esempi per la segmentazione audio-visiva e propone il modello ATLAS, che combina condizionamento pre-fusione guidato dall'audio e ancoraggio a basso rango per mitigare l'oblio catastrofico in ambienti dinamici.