4934 articoli
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.
Il paper introduce Wallaroo, un modello autoregressivo basato sulla previsione del prossimo token che unifica comprensione, generazione e modifica multimodale con supporto multilingue e multirisoluzione, ottenendo prestazioni competitive rispetto ad altri modelli unificati.
Il paper introduce TAPFormer, un framework basato su transformer che utilizza una fusione temporale asincrona transitoria per unire in modo robusto flussi di eventi e fotogrammi RGB, permettendo un tracciamento di punti arbitrari ad alta precisione anche in condizioni di illuminazione scarsa o movimento rapido.
Il paper presenta MultiGO++, un nuovo framework per la ricostruzione 3D di umani vestiti da una singola immagine che supera i limiti delle metodologie esistenti attraverso una collaborazione sistematica tra geometria e texture, realizzata tramite sintesi multi-sorgente, estrazione di forma consapevole delle regioni e una rete di ricostruzione duale.
Il paper presenta Lens2Zernike, un framework di deep learning basato su principi fisici che recupera in modo cieco i parametri ottici da singole immagini sfocate per abilitare una deconvoluzione stabile e il ripristino di dettagli diffrazione-limitati nelle fotocamere mobili.
Questo studio presenta un'analisi su larga scala delle capacità e dei limiti della Restaurazione Immagini Generativa, rivelando un cambiamento di paradigma dalla scarsità di dettagli verso la necessità di controllarne la qualità e il significato semantico, e proponendo un nuovo modello di valutazione della qualità dell'immagine allineato al giudizio umano.
Il paper presenta Tell2Adapt, un innovativo framework unificato per l'adattamento di dominio non supervisionato senza sorgente in ambito medico che sfrutta un Modello Fondamentale Visivo per generare pseudo-etichette di alta qualità e garantire affidabilità clinica attraverso la regolarizzazione dei prompt e la raffinazione della plausibilità visiva, superando gli approcci esistenti su un vasto set di target anatomici.