5768 articoli
Il paper presenta ToMCLIP, un framework che migliora l'allineamento multilingue nei modelli visione-linguaggio applicando vincoli topologici basati sull'omologia persistente per preservare la geometria globale dello spazio di embedding, ottenendo così prestazioni superiori nel recupero multilingue e nel riconoscimento zero-shot.
Il paper presenta COGS, un framework di sintesi dati basato sulla composizione che potenzia le capacità di ragionamento dei modelli linguistici multimodali preaddestrati su domini artificiali come grafici e pagine web, decomponendo le domande in fattori primitici per generare coppie domanda-risposta sintetiche addestrate con ricompense di processo a livello fattoriale.
Questo studio dimostra che l'efficacia del rilevamento OOD basato su Mahalanobis dipende dalla geometria dello spazio delle caratteristiche, introducendo una normalizzazione radialmente scalata che ottimizza le prestazioni sfruttando segnali geometrici intrinseci.
Kaleido è un modello open-source per la generazione di video multi-soggetto che supera le limitazioni degli approcci esistenti grazie a una pipeline di costruzione dati dedicata e a una nuova codifica posizionale rotazionale (R-RoPE), garantendo una maggiore coerenza, fedeltà e disentanglement dello sfondo.
Il documento presenta il Prior-guided Concept Predictor (PCP), un nuovo framework di apprendimento debolmente supervisionato che, sfruttando prior di classe e meccanismi di regolarizzazione, permette di ottenere diagnosi mediche interpretabili senza costose annotazioni concettuali, superando significativamente le prestazioni dei modelli zero-shot e competendo con quelli completamente supervisionati.
Questo articolo propone un nuovo framework unificato che ottimizza simultaneamente la geometria della mesh e i colori dei vertici, guidati dai Gaussiani, per ottenere ricostruzioni 3D di alta qualità da immagini multi-vista, superando la separazione tradizionale tra accuratezza geometrica e rendering fotorealistico e abilitando così compiti di editing downstream come il rilighting e la deformazione.
Il paper propone un nuovo framework di concordanza semantica consapevole dei bordi che, attraverso la ricodifica latente e l'ottimizzazione dell'incertezza, risolve l'eterogeneità tra eventi e RGB per ottenere una segmentazione semantica resiliente anche in condizioni estreme.
Il paper presenta NeuCLIP, un nuovo framework di ottimizzazione che riformula la funzione di perdita contrastiva CLIP tramite analisi convessa e variazionale per stimare efficientemente il termine di normalizzazione utilizzando una rete neurale ausiliaria, superando così i limiti computazionali e di precisione dei metodi precedenti su dataset su larga scala.
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.