5561 articoli
Il lavoro introduce Probe-Select, un modulo plug-in che valuta la qualità delle immagini generata dai modelli di diffusione testo-immagine analizzando le attivazioni intermedie precoci, permettendo di terminare i campioni promettenti in anticipo e riducendo così i costi di calcolo del 60% senza modificare il modello generativo sottostante.
Questo lavoro generalizza lo splatting gaussiano 3D (3DGS) introducendo operatori di alpha-blending non esponenziali basati su una trasmissione quadratica, che mantengono la qualità visiva originale riducendo significativamente il numero di overdraw e ottenendo accelerazioni fino a 4 volte in scenari complessi.
Il paper introduce TRACE, un nuovo modello di recupero multimodale universale che unisce il ragionamento generativo tramite Chain-of-Thought con l'apprendimento rappresentazionale, permettendo di attivare dinamicamente il ragionamento solo per query complesse e ottenendo così prestazioni state-of-the-art e una notevole trasferibilità zero-shot.
Il paper presenta MoECLIP, un'architettura basata su Mixture-of-Experts che migliora il rilevamento di anomalie a zero-shot specializzando dinamicamente adattatori LoRA per singole patch dell'immagine, superando i limiti dei metodi esistenti e ottenendo risultati all'avanguardia su 14 dataset industriali e medici.
Il paper propone ProSMA-UNet, un'architettura di segmentazione medica che riformula l'aggiunta delle connessioni skip come un problema di selezione sparsa delle caratteristiche guidata dal decoder, utilizzando un operatore di prossimità per eliminare esplicitamente il rumore e le attivazioni irrilevanti, ottenendo così prestazioni state-of-the-art, specialmente in compiti di segmentazione 3D complessi.
Il paper propone SpeciaRL, un nuovo framework di apprendimento per rinforzo sensibile alla specificità che guida i modelli linguistici multimodali ragionevoli a produrre classificazioni di immagini fine-grained sia corrette che specifiche in contesti open-world, superando le tendenze attuali verso previsioni eccessivamente generiche.
Questo articolo presenta una panoramica completa del Deep Sketch-Based 3D Modeling (DS-3DM) attraverso il nuovo spazio progettuale MORPHEUS, che analizza come i metodi basati sull'intelligenza artificiale trasformino gli input umani in modelli 3D per migliorare flessibilità, fedeltà e adattabilità, evidenziando al contempo le sfide attuali e le opportunità di ricerca interdisciplinare.
Questo studio dimostra che il trasferimento di apprendimento basato sull'iconicità tra lingue dei segni diverse (cinese-arabo e greco-fiammingo) migliora le prestazioni del riconoscimento, ottenendo incrementi rispettivamente del 7,02% e dell'1,07% grazie all'uso di Google MediaPipe, un MLP e un'unità ricorrente a cancellazione controllata.
Questo articolo presenta mHC-HSI, un modello di classificazione di immagini iperspettrali basato su Mamba e guidato dal clustering che integra connessioni iper-legate vincolate da varietà per migliorare l'apprendimento delle caratteristiche spaziali e spettrali, la decomposizione in cluster interpretabili e l'uso di conoscenze fisiche delle bande spettrali.
Lo studio dimostra che l'addestramento con ricompense verificabili basate solo sul testo, sebbene aumenti l'accuratezza nei benchmark di VQA medica, comprometta il grounding visivo e favorisca l'uso di scorciatoie, rendendo necessario un nuovo framework di valutazione che includa metriche come il Visual Reliance Score e il tasso di ragionamento visivo allucinato.
Il paper presenta Proact-VL, un framework per agenti interattivi in tempo reale che risolve le sfide di latenza e decisione autonoma nelle esperienze di AI companions, dimostrando le sue capacità attraverso il nuovo Live Gaming Benchmark in scenari di gioco.
Questo studio analizza come gli errori di localizzazione, in particolare quelli angolari, degradino la qualità delle etichette per la costruzione di mappe HD online, dimostrando che l'aggiunta di dati rumorosi riduce le prestazioni del modello in modo non lineare e proponendo una nuova metrica basata sulla distanza per valutare l'impatto.
Il paper presenta PERSIST, un nuovo paradigma di modello del mondo che simula l'evoluzione di una scena 3D latente per garantire memoria spaziale persistente e coerenza geometrica, superando i limiti dei modelli esistenti basati su pixel e abilitando il controllo fine degli ambienti generati direttamente nello spazio 3D.
Il paper presenta Phys4D, un metodo innovativo che trasforma i modelli di diffusione video in rappresentazioni 4D fisicamente coerenti attraverso un paradigma di addestramento in tre fasi, migliorando significativamente la stabilità dinamica e la plausibilità fisica rispetto ai modelli basati solo sull'aspetto visivo.
Questo studio presenta un nuovo approccio bayesiano basato su Transformer ad alta risoluzione che fonde dati Sentinel-1, RCM e AMSR2 per mappare la concentrazione del ghiaccio marino artico a 200 metri e quantificare l'incertezza, superando le sfide delle etichette imprecise e dell'eterogeneità dei dati grazie a una funzione di perdita supervisionata debole geograficamente ponderata e a un'architettura che integra moduli globali e locali.
Il paper presenta PhyPrompt, un framework di apprendimento per rinforzo a due stadi che affina automaticamente i prompt testuali per generare video coerenti con le leggi fisiche, ottenendo risultati superiori rispetto a modelli più grandi e trasferibili su diverse architetture senza bisogno di addestramento specifico.
Il paper presenta PinCLIP, un nuovo approccio di apprendimento delle rappresentazioni multimodali su larga scala sviluppato da Pinterest che, grazie a un'architettura ibrida e a un obiettivo di allineamento dei vicini, supera le soluzioni esistenti migliorando significativamente il recupero dei contenuti, la distribuzione di materiale fresco e le prestazioni pubblicitarie.
Il paper presenta PolyV, un modello visivo unificato che, grazie a un'architettura a misto di esperti e una strategia di addestramento sinergico, supera i limiti delle integrazioni funzionali esistenti permettendo un ragionamento visivo trasversale che sfrutta i priors complementari di immagini, video e dati 3D.
Questo lavoro propone un nuovo quadro per la stima della profondità monoculare in chirurgia minimamente invasiva che, integrando target di confidenza calibrati, funzioni di perdita consapevoli della confidenza e una testina di stima durante l'inferenza, migliora l'accuratezza e la affidabilità clinica riducendo l'impatto di artefatti come fumo e riflessi.
Il paper presenta L2G-Det, un nuovo framework di rilevamento istanziale che supera i limiti dei metodi basati su proposte sfruttando la corrispondenza densa a livello di patch per generare punti candidati, i quali vengono poi raffinati e utilizzati per guidare un modello SAM potenziato nella segmentazione accurata di oggetti sconosciuti in scenari aperti e affollati.