1863 articoli
Il paper presenta SVG-EAR, un metodo senza parametri che migliora l'efficienza della generazione video tramite Diffusion Transformers utilizzando una compensazione lineare basata su centroidi e un routing consapevole dell'errore per recuperare le informazioni perse nella sparsificazione, ottenendo significativi guadagni di velocità senza compromettere la qualità.
Il paper presenta SurgCalib, un framework automatico e senza marcatori basato su Gaussian Splatting per la calibrazione mano-occhio del robot chirurgico da Vinci, che risolve le sfide delle misurazioni imprecise dei robot a cavo attraverso un'ottimizzazione differenziabile sotto vincolo RCM, ottenendo errori di riproiezione e di distanza 3D ridotti sul benchmark dVRK.
Il paper presenta SkipGS, un metodo plug-and-play che accelera l'addestramento del 3D Gaussian Splatting riducendo del 23,1% il tempo totale attraverso un meccanismo adattivo che salta selettivamente le fasi di backpropagation quando i gradienti sono ridondanti, mantenendo al contempo una qualità di ricostruzione comparabile.
Questo lavoro propone un nuovo framework di autenticazione basato su diffusione che, sfruttando la firma della stampante e il condizionamento multimodale, supera i limiti dei metodi tradizionali nel distinguere i codici di rilevamento copie originali dalle contraffazioni ad alta qualità.
Il paper propone Normalized Flow Matching (NFM), un nuovo metodo che distilla l'accoppiamento quasi-deterministico di modelli di Flussi Normalizzanti preaddestrati per addestrare modelli di Flow Matching studenti, ottenendo prestazioni superiori sia rispetto ai tradizionali accoppiamenti indipendenti o di trasporto ottimo, sia rispetto al modello insegnante stesso.
Questo lavoro propone una misura di piattezza esatta e fedele all'architettura per le CNN, derivando un'espressione in forma chiusa per la traccia dell'Hessiano e specializzandola per i livelli convoluzionali, dimostrando empiricamente la sua efficacia come strumento robusto per stimare le prestazioni di generalizzazione e guidare la progettazione dei modelli.
Il documento presenta WS-Net, un framework di deep learning che combina modellazione a spazio di stato (Mamba) e un meccanismo di attenzione per segnali deboli, al fine di migliorare l'accuratezza della stima delle abbondanze nell'unmixing iperspettrale, specialmente in presenza di risposte spettrali deboli e rumore.
Il paper introduce SpectralDiff, un framework basato sulla diffusione strutturata nello spettro che combina perturbazioni spettrali mirate e un'architettura U-Net a prodotto completo per rimuovere efficacemente le striature di pioggia da immagini singole, offrendo prestazioni competitive con maggiore efficienza computazionale rispetto ai metodi esistenti.
Questo studio propone un framework potenziato basato su YOLOv8 che integra rilevamento di incendi e fumo con un'analisi di prossimità per valutare i rischi nei cantieri ingegneristici, calcolando distanze reali e generando un punteggio di rischio quantitativo con prestazioni superiori al 90% di precisione.
Il paper presenta GST-VLA, un modello Vision-Language-Action che introduce un Tokenizzatore Spaziale Gaussiano per rappresentare le osservazioni visive come primitive 3D anisotrope e un meccanismo di ragionamento CoT sensibile alla profondità, ottenendo prestazioni superiori su compiti robotici complessi grazie a una rappresentazione geometrica strutturata e a un'architettura di azione basata sul flow-matching.
Il paper presenta OmniEdit, un framework senza addestramento che risolve la sincronizzazione labiale e l'editing audio-visivo sostituendo la sequenza di modifica in FlowEdit con la sequenza target per ottenere stime non distorte e traiettorie di editing stabili.
Questo paper propone un nuovo framework per la generazione di video fisicamente plausibili che, scomponendo i fenomeni in catene di eventi causalmente collegati tramite ragionamento guidato da leggi fisiche e prompt multimodali adattivi, supera i limiti degli approcci attuali nel modellare la progressione causale dinamica.
Questo studio diagnostica il "gap di modalità" che riduce le prestazioni dei modelli linguistici multimodali quando elaborano testo come immagini, identificando le cause degli errori di lettura e proponendo un metodo di auto-distillazione che ripristina l'accuratezza fino a livelli superiori al 92% senza dimenticare le conoscenze pregresse.
Il paper propone MedKCO, un metodo di pre-addestramento visione-linguaggio medico che supera i limiti degli approcci attuali orchestrando cognitivamente l'apprendimento attraverso un curriculum a due livelli e una perdita contrastiva asimmetrica auto-addestrante, ottenendo risultati significativamente superiori su diverse attività downstream.
Il paper propone un framework di fattorizzazione del movimento che, senza richiedere addestramento, scompone la generazione video composita in tre categorie (staticità, movimento rigido e non rigido) attraverso una fase di pianificazione strutturata e una generazione disaccoppiata, migliorando la sintesi di motion su modelli di diffusione esistenti.
Il paper propone un framework basato su transformer per la ricerca di casi di cancro della pelle mediante query composte da immagine e testo, che migliora le prestazioni attraverso un allineamento congiunto di rappresentazioni globali e locali, ottenendo risultati superiori rispetto agli stati dell'arte sul dataset Derm7pt.
Il paper presenta VIVID-Med, un innovativo framework che utilizza un grande modello linguistico (LLM) congelato come insegnante semantico strutturato per pre-addestrare efficientemente transformer visivi medici, ottenendo prestazioni superiori con dati ridotti e un modello finale leggero e pronto per il deployment clinico.
Il paper propone PRLF, un framework di apprendimento rappresentazionale progressivo che affronta l'analisi del sentiment multimodale con modalità mancanti utilizzando un stimatore di affidabilità adattivo e un modulo di interazione progressiva per allineare dinamicamente le modalità e migliorare la robustezza.
Il modello QUSR propone una soluzione innovativa per la super-risoluzione delle immagini in scenari reali complessi, integrando un prior di qualità basato su modelli linguistici multimodali e una generazione di rumore guidata dall'incertezza per preservare i dettagli e ridurre gli artefatti.
Questo studio presenta il primo framework automatizzato basato su trasformatori (SegFormer) per la segmentazione multi-regione di immagini HR-pQCT, dimostrando che l'estrazione di caratteristiche radiomiche dai tessuti molli, piuttosto che dalle sole strutture ossee, migliora significativamente l'accuratezza nella classificazione dell'osteoporosi.