5701 articoli
Il paper "Scriboora" presenta una pipeline unificata per la previsione della posa umana, evidenzia problemi di riproducibilità, dimostra come i modelli linguistici possano migliorare le prestazioni attuali e valuta la robustezza dei modelli su dati rumorosi derivanti da stime di posa reali, proponendo una nuova variante del dataset e tecniche di affinamento non supervisionato per recuperare le prestazioni perse.
Il paper presenta MatPedia, un modello fondazionale generativo unificato che, grazie a una nuova rappresentazione congiunta RGB-PBR e all'addestramento su un vasto corpus misto, permette la sintesi ad alta fedeltà di materiali PBR per diverse attività come la generazione da testo, da immagine e la decomposizione intrinseca.
Il paper presenta VideoChat-M1, un sistema multi-agente basato sull'apprendimento per rinforzo che utilizza una pianificazione collaborativa delle policy per ottimizzare dinamicamente l'invocazione degli strumenti e migliorare la comprensione video, ottenendo risultati allo stato dell'arte su otto benchmark.
Il paper presenta UniLight, una rappresentazione unificata dello spazio latente che allinea contrastivamente diverse modalità di illuminazione (testo, immagini, irradiazione e mappe ambientali) per abilitare il trasferimento cross-modale e il controllo dell'illuminazione in compiti come il retrieval, la generazione di mappe ambientali e la sintesi di immagini.
Questo lavoro introduce il *Measurement-Consistent Langevin Corrector* (MCLC), un modulo teorico e plug-and-play che stabilizza i risolutori di problemi inversi basati su modelli di diffusione latente riducendo la discrepanza tra le dinamiche del solver e quelle apprese dal modello, garantendo così un comportamento più affidabile nello spazio latente senza fare affidamento su assunzioni di varietà lineare.
Il paper propone WCC-Net, un framework di diffusione 3D che integra prior strutturali basate sulle ondelette per migliorare il denoising delle immagini PET a basso dosaggio, garantendo una migliore coerenza anatomica e prestazioni quantitative superiori rispetto ai metodi esistenti.
Questo studio presenta un pipeline automatizzato end-to-end per l'identificazione delle fratture della colonna cervicale che, combinando rilevamento 2D, segmentazione multi-proiezione e modelli ibridi CNN-Transformer, ricostruisce volumi 3D stimati per ottenere prestazioni diagnostiche comparabili a quelle degli esperti riducendo al contempo la dimensionalità computazionale.
Questo lavoro presenta VRFT-Aug, un framework di affinamento per rinforzo visivo progettato per il dominio medico che, integrando strategie di potenziamento della percezione e del ragionamento, supera le prestazioni dei metodi di affinamento supervisionato e delle basi di riferimento esistenti.
Il documento presenta i risultati della prima competizione internazionale sulla biometria del passo, che ha utilizzato il nuovo dataset StepUP-P150 per valutare modelli di riconoscimento, evidenziando un tasso di errore del 10,77% come miglior risultato ma sottolineando le sfide persistenti nella generalizzazione a diversi tipi di calzature.
Il paper introduce VidEoMT, un modello di segmentazione video basato su un semplice encoder ViT che, eliminando i complessi moduli di tracciamento dedicati e utilizzando un meccanismo di propagazione e fusione delle query, raggiunge prestazioni competitive con una velocità di esecuzione fino a 5-10 volte superiore rispetto ai metodi esistenti.
Il paper propone CASG, un framework senza addestramento che risolve i conflitti di sicurezza multi-categoria nella generazione di immagini da testo identificando dinamicamente la categoria dannosa predominante e applicando una guida di sicurezza mirata, riducendo così il tasso di contenuti nocivi fino al 15,4% rispetto ai metodi esistenti.
Skullptor è un metodo ibrido che combina la previsione feed-forward di normali multivista con l'ottimizzazione del rendering inverso per ricostruire in pochi secondi geometrie 3D ad alta fedeltà di teste umane, superando i compromessi tra dettaglio e velocità delle tecniche esistenti.
Il paper propone MoMKD, un nuovo framework di distillazione della conoscenza basato su una memoria aggiornata con momento che risolve le instabilità dei metodi attuali e permette una diagnosi accurata del cancro utilizzando solo dati istologici, superando la scarsità di dati genomici accoppiati.
Questo articolo propone un approccio dinamico per la mappatura nel riconoscimento visivo dei luoghi che seleziona automaticamente la densità della mappa necessaria per garantire che un livello specifico di richiamo locale sia soddisfatto per una percentuale definita dell'ambiente operativo, superando i limiti delle densità di campionamento fisse e globali tipicamente utilizzate.
Il paper propone SCR (Spatial Credit Redistribution), un metodo di inferenza senza addestramento che riduce le allucinazioni nei modelli visione-linguaggio redistribuendo l'attenzione spaziale dai patch dominanti ai contesti circostanti, ottenendo significativi miglioramenti nella precisione su diversi benchmark senza compromettere la qualità della generazione o la latenza.
Il paper presenta EvalMVX, un nuovo dataset reale con ground-truth 3D e condizioni di illuminazione e visione multiview diversificate, progettato per valutare e confrontare in modo unificato i metodi di ricostruzione neurale basati su stereo multiview, fotometria multiview e forma dalla polarizzazione.
Questo lavoro propone un framework MambdaBDA migliorato, integrato con Focal Loss, gate di attenzione e un modulo di allineamento, che supera significativamente le prestazioni del modello di base nella valutazione dei danni agli edifici tramite immagini satellitari, garantendo una maggiore robustezza e generalizzazione su diversi scenari di disastro.
Questo lavoro presenta uno studio unificato che esamina sistematicamente le interazioni tra il parametro di temperatura e altri elementi di addestramento nella distillazione della conoscenza, fornendo linee guida pratiche per la sua selezione ottimale.
Il paper propone ITO, un framework che supera i limiti delle pre-addestramenti immagine-testo esistenti integrando un allineamento multimodale multiplo e una fusione strutturata durante l'addestramento (poi rimossa all'inferenza) per eliminare il divario tra le modalità e migliorare le prestazioni su diversi benchmark.
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.