5635 articoli
Il paper propone ParaHydra, un nuovo framework di compressione distribuita di immagini multi-vista che introduce il meccanismo di attenzione OmniParallax per modellare le correlazioni tra le viste, superando significativamente le prestazioni degli stati dell'arte esistenti con un elevato risparmio di bitrate e una ridotta complessità computazionale.
Questo lavoro introduce LeafInst, un nuovo framework di segmentazione delle istanze e il dataset Poplar-leaf per l'analisi fenotipica fine di foglie di alberi in ambienti aperti, ottenendo prestazioni superiori rispetto agli stati dell'arte su scenari UAV complessi.
Il paper presenta RAGTrack, un innovativo framework di tracciamento RGB-T che integra descrizioni testuali e la generazione aumentata dal recupero (RAG) per superare le limitazioni dei metodi esistenti, ottenendo prestazioni all'avanguardia su diversi benchmark grazie a una modellazione unificata visivo-linguistica e a un ragionamento temporale contestuale.
Il paper introduce CoRe-BT, un benchmark multimodale radiologia-patologia-test per il typing robusto dei tumori cerebrali che valuta l'apprendimento multimodale in scenari clinici realistici caratterizzati da dati incompleti.
Questo lavoro presenta un quadro rigoroso per estendere gli operatori neurali al di fuori della distribuzione di addestramento, sfruttando tecniche di approssimazione dei kernel e spazi di Hilbert a nucleo riproducente per garantire la robustezza teorica e l'accuratezza nella risoluzione di equazioni differenziali alle derivate parziali su varietà.
Questo studio introduce l'iniezione di prompt basata su immagini (IPI), un attacco in scatola nera che nasconde istruzioni avversarie all'interno di immagini naturali per manipolare con successo fino al 64% dei modelli linguistici multimodali, evidenziando una nuova vulnerabilità pratica che richiede urgenti contromisure difensive.
Il paper presenta InfinityStory, un nuovo framework, dataset e modello progettati per generare video narrativi di lunga durata con coerenza visiva globale, mantenendo l'identità dei personaggi e garantendo transizioni fluide tra inquadrature complesse con più soggetti.
Il paper propone SCFlowFR, un metodo di ripristino facciale in un singolo passo basato su un flusso di accoppiamento potenziato da scorciatoie che modella le dipendenze tra dati a bassa e alta qualità per garantire traiettorie lineari e inferenza rapida senza compromettere la qualità.
Questa tesi presenta un quadro di imaging sul campo basato sulla visione artificiale per la caratterizzazione morfologica degli aggregati da costruzione, sviluppando algoritmi avanzati di segmentazione e ricostruzione 3D che superano i limiti dei metodi tradizionali permettendo l'analisi sia di singole particelle che di ammassi complessi in scenari reali.
Il paper introduce InEdit-Bench, il primo benchmark dedicato alla valutazione della capacità dei modelli generativi multimodali di ragionare su percorsi logici intermedi nell'editing di immagini, rivelando attraverso una valutazione estesa le significative carenze attuali dei modelli esistenti nel gestire scenari complessi che richiedono dinamicità e coerenza causale.
Il paper presenta MAP, un nuovo metodo di protezione della privacy facciale che utilizza modifiche emotive per camuffare le identità originali, superando i limiti delle tecniche tradizionali in termini di trasferibilità, qualità percettiva e adattabilità a diversi gruppi demografici e scenari fotografici.
Il paper presenta EvoPrune, un metodo di pruning dei token visivi eseguito durante la fase di codifica nei MLLM che, riducendo i costi computazionali, garantisce un raddoppio della velocità di inferenza con una minima perdita di prestazioni.
Il paper propone un modello di segmentazione dei polipi che integra rappresentazioni in scala di grigi e RGB attraverso un'interazione coerente nel dominio delle ondelette, sfruttando la maggiore contrasto dei bordi nella scala di grigi per migliorare la precisione nella localizzazione dei confini e superare le limitazioni dei metodi convenzionali basati solo su RGB.
Il paper propone l'ERK-Guid, un nuovo metodo di campionamento per modelli di diffusione che utilizza l'errore locale di troncamento generato dai solutori come segnale di guida per correggere le regioni rigide e migliorare la qualità del campionamento, superando i metodi esistenti su dataset come ImageNet.
Il paper presenta MPFlow, un framework di ricostruzione MRI zero-shot basato su flow matching che, sfruttando una strategia di pre-addestramento auto-supervisionato per allineare le caratteristiche tra diverse modalità, riduce le allucinazioni anatomiche e accelera il campionamento rispetto ai metodi basati su diffusione.
Questo studio identifica e quantifica il "Order-to-Space Bias" (OTS), un pregiudizio sistematico nei modelli di generazione di immagini in cui l'ordine di menzione delle entità nel testo determina erroneamente il layout spaziale, proponendo al contempo un benchmark e strategie di intervento per mitigare tale fenomeno preservando la qualità della generazione.
Questo articolo presenta una nuova architettura per la segmentazione del vetro che fonde caratteristiche visive generali estratte da un modello fondazionale DINOv3 congelato e caratteristiche specifiche apprese tramite un modello Swin supervisionato, ottenendo risultati all'avanguardia su quattro dataset comuni.
Il paper propone QD-PCQA, un nuovo framework di adattamento di dominio consapevole della qualità che migliora la generalizzazione nella valutazione della qualità dei nuvoli di punti senza riferimento, superando i limiti delle metodologie esistenti grazie a strategie di allineamento delle caratteristiche ponderate per il ranking e di aumento guidato dalla qualità.
Il paper presenta PROSPECT, un agente di navigazione visione-linguaggio unificato e in streaming che combina l'encoding spaziale CUT3R e le caratteristiche semantiche SigLIP con un ramo predittivo latente per raggiungere prestazioni all'avanguardia nella navigazione a lungo raggio e nel deployment robotico reale.
Il paper presenta DAGE, un'architettura transformer a doppio flusso che disaccoppia la coerenza globale dai dettagli fini per stimolare geometria e pose di camera ad alta risoluzione da input multi-vista, ottenendo nuovi risultati allo stato dell'arte con costi di inferenza pratici.