4941 articoli
Il paper presenta UniPAR, un framework unificato basato su Transformer che supera le limitazioni dei modelli specifici per dataset permettendo a un'unica architettura di elaborare dati eterogenei (RGB, video ed eventi) e di raggiungere prestazioni all'avanguardia nel riconoscimento degli attributi pedonali con una robustezza superiore in condizioni ambientali difficili.
Il paper propone SRasP, un metodo innovativo per l'apprendimento few-shot cross-domain che utilizza perturbazioni di stile avversarie auto-riorientate e un'ottimizzazione multi-obiettivo per migliorare la stabilità e la generalizzazione su domini non visti.
Il paper propone un framework adattivo per i modelli Vision-Language-Action che, ispirandosi alla cognizione umana, ottimizza l'allocazione delle risorse dinamicamente scegliendo tra agire, ragionare o astenersi in base alla complessità del compito, utilizzando con successo solo le embedding visive per rilevare tale complessità con elevata efficienza e affidabilità.
Il paper propone SSR-GS, un nuovo framework che migliora la ricostruzione di superfici lucide nel Gaussian Splatting modellando le riflessioni speculari dirette e indirette e integrando prior geometriche e visivi per mitigare gli errori causati dalle riflessioni.
Lo studio dimostra che l'uso di tecniche di pre-elaborazione come il ritaglio dei polmoni può ridurre l'apprendimento di scorciatoie razziali nei modelli di diagnosi radiografica mantenendo al contempo l'accuratezza diagnostica, evitando così il compromesso tra equità e prestazioni.
Questo articolo presenta un metodo innovativo per la calibrazione generica di fotocamere che, sfruttando vincoli geometrici e un modello di illuminazione parametrico locale, stima simultaneamente le posizioni delle caratteristiche e le funzioni di diffusione del punto spazialmente variabili per gestire efficacemente le immagini sfocate causate dal movimento.
Il paper presenta Mario, un framework innovativo che abilita il ragionamento sui grafi multimodali utilizzando modelli linguistici di grandi dimensioni attraverso un design di VLM condizionato al grafo e un addestramento su istruzioni adattivo alle modalità, superando le sfide di coerenza cross-modale e preferenze eterogenee per ottenere prestazioni superiori rispetto agli stati dell'arte.
Il paper presenta Logi-PAR, il primo framework di riconoscimento delle attività dei pazienti che integra regole differenziabili e logica simbolica per inferire esplicitamente le cause dei rischi clinici, fornendo spiegazioni verificabili e superando le prestazioni degli attuali modelli basati su visione e linguaggio.
Il paper propone il framework SCDL, un modulo plug-and-play che mitiga i bias di supervisione e rappresentazione nelle immagini mediche semi-supervisionate imparando distribuzioni di caratteristiche condizionate alla classe, ottenendo risultati all'avanguardia, specialmente per le classi minoritarie, sui dataset Synapse e AMOS.
Il paper presenta SPyCer, una rete semi-supervisionata guidata dalla fisica che utilizza l'attenzione contestuale su immagini satellitari per stimare con precisione e coerenza fisica la temperatura dell'aria vicino alla superficie, superando i limiti delle misurazioni dei sensori terrestri.
Questo lavoro presenta un sistema robotico di smistamento tessile guidato dal gemello digitale che integra percezione multimodale e modelli linguistici visivi (VLM) per classificare abbigliamento e rilevare oggetti estranei in ambienti industriali complessi, dimostrando l'efficacia dell'approccio Qwen per l'accuratezza e di modelli più leggeri per la distribuzione su edge.
Il paper presenta ICHOR, un approccio di apprendimento rappresentativo auto-supervisionato basato su masked autoencoder che, addestrato su un vasto dataset multicentrico di mappe CBF ASL, supera i metodi esistenti nel migliorare le prestazioni per compiti diagnostici e di previsione della qualità delle immagini.
Il paper presenta CATNet, un framework adattivo che migliora la percezione cooperativa mitigando la latenza temporale e il rumore multivariato attraverso sincronizzazione spazio-temporale, denoising basato su wavelet e selezione adattiva delle caratteristiche.
Il paper presenta Wiki-R1, un framework di apprendimento per rinforzo basato su un curricolo di generazione dati e campionamento che incentiva il ragionamento multimodale nelle KB-VQA, ottenendo risultati all'avanguardia sui benchmark Encyclopedic VQA e InfoSeek.
Questo studio dimostra che per l'analisi OOD dei Vision Transformer è fondamentale scegliere strategicamente sia il livello intermedio che il modulo specifico da sondare, rivelando che l'attivazione interna della rete feed-forward è ottimale in caso di forte shift distributivo, mentre l'output normalizzato dell'attenzione multi-testa lo è quando lo shift è debole.
Il paper presenta WebChain, il più grande dataset open-source di tracce di interazione web annotate da umani, e un metodo di addestramento duale che, decoppiando l'ancoraggio spaziale dalla pianificazione, raggiunge prestazioni all'avanguardia nei benchmark per agenti web.
Il paper presenta Fusion4CA, un metodo che potenzia il rilevamento 3D degli oggetti fondendo dati LiDAR e RGB nello spazio BEV attraverso componenti modulari per l'ottimizzazione delle feature visive, ottenendo risultati superiori su nuScenes e in ambienti simulati lunari con un minimo aumento dei parametri di inferenza.
Il paper propone SpectralCache, un framework di caching senza addestramento che accelera i Diffusion Transformers sfruttando la non uniformità temporale, di profondità e delle frequenze per ottenere un speedup del 2,46x mantenendo una qualità visiva paragonabile agli stati dell'arte.
Il paper introduce Dark3R, un framework che utilizza la distillazione da modelli 3D fondazionali per ottenere una struttura dal movimento e una sintesi di nuove viste robuste in condizioni di luce estremamente scarsa (SNR < -4 dB), addestrato esclusivamente su coppie di immagini raw rumorose e pulite senza supervisione 3D.
OpenFrontier è un framework di navigazione senza addestramento che integra modelli visione-linguaggio per identificare efficientemente frontiere semantiche come ancoraggi visivi, permettendo ai robot di navigare in ambienti aperti con prestazioni zero-shot senza la necessità di mappatura 3D densa o fine-tuning.