5840 articoli
Il paper presenta "Self-Aug", una strategia di decoding senza addestramento che migliora la coerenza fattoriale dei Large Vision-Language Models combinando un prompting di auto-aumento dipendente dalla query con un algoritmo di soglia adattiva basato sull'entropia.
Questo lavoro propone un modello di diffusione incondizionato addestrato su dati HiRISE per ricostruire con maggiore precisione e coerenza geometrica le aree mancanti dei terreni marziani in realtà virtuale, superando le tecniche di interpolazione tradizionali.
Il paper presenta CASR-Net, una rete di deep learning innovativa basata su un'architettura UNet con encoder DenseNet121 e decoder Self-ONN, che integra una strategia di pre-elaborazione multicanale e un modulo di raffinamento per migliorare l'accurata segmentazione e il recupero delle arterie coronariche in angiografie a raggi X, superando le prestazioni degli attuali modelli avanzati.
Il paper introduce Kinematify, un framework automatizzato che sintetizza oggetti articolati ad alto grado di libertà partendo da immagini RGB o descrizioni testuali, risolvendo le sfide dell'inferenza topologica e della stima dei parametri articolari per abilitare simulazioni fisiche e pianificazione del movimento.
Il paper presenta DetGain, un metodo di curatela dei dati online specifico per la rilevazione di oggetti che stima il contributo marginale di ogni immagine alla precisione media globale per selezionare dinamicamente campioni informativi, migliorando così l'accuratezza e la robustezza dei modelli di rilevazione.
Il paper introduce PrismAudio, un framework innovativo per la generazione audio da video che risolve l'entanglement degli obiettivi tramite un ragionamento Chain-of-Thought decomposto in quattro dimensioni e un nuovo algoritmo di apprendimento per rinforzo chiamato Fast-GRPO, ottenendo prestazioni state-of-the-art su un nuovo benchmark rigoroso denominato AudioCanvas.
Il paper presenta Markov-VAR, un nuovo modello di generazione visiva autoregressiva che supera l'inefficienza computazionale della previsione a contesto completo sostituendola con una previsione di scala markoviana basata su una finestra scorrevole, ottenendo così una significativa riduzione della memoria e un miglioramento della qualità delle immagini.
Il paper presenta ALARM, un framework basato su MLLM per il rilevamento di anomalie in ambienti complessi che integra la quantificazione dell'incertezza e tecniche di garanzia della qualità per garantire decisioni affidabili e robuste in diversi domini.
Il paper propone SSMP, un nuovo metodo di predizione mascherata auto-adattiva e auto-correttiva che supera i limiti dei paradigmi esistenti generando trailer cinematografici di qualità superiore attraverso una modellazione contestuale bidirezionale e un meccanismo di correzione progressiva.
Il paper propone VGG-Flow, un metodo basato sul matching dei gradienti che sfrutta la teoria del controllo ottimo per allineare efficientemente e preservando le probabilità i modelli Flow Matching (come Stable Diffusion 3) alle preferenze umane, superando i limiti delle approcci esistenti.
Il paper presenta AVI-Edit, un framework per la modifica di istanze video sincronizzate con audio che utilizza un affinatore di maschere sensibile alla granularità e un agente audio a feedback autonomo per ottenere un controllo spaziale e temporale preciso, supportato da un nuovo dataset su larga scala.
Il paper presenta CHAMMI-75, un dataset open access di immagini microscopiche multicanale eterogenee derivato da 75 studi biologici, progettato per addestrare modelli di intelligenza artificiale adattivi ai canali che migliorano l'analisi della morfologia cellulare superando i limiti dei modelli specializzati su singoli tipi di imaging.
Il paper presenta UniDrive-WM, un modello del mondo unificato basato su vision-language models che integra comprensione della scena, pianificazione della traiettoria e generazione di immagini future in un'unica architettura, dimostrando prestazioni superiori nel benchmark Bench2Drive grazie a un ciclo di feedback che raffina iterativamente la guida autonoma.
Questo studio dimostra che l'utilizzo di immagini a bassa risoluzione (8x8 pixel) dei caratteri cinesi come input visivi per i modelli linguistici non solo raggiunge prestazioni comparabili ai tradizionali token basati su indici, ma offre anche un significativo vantaggio nell'apprendimento iniziale rispetto ai metodi convenzionali.
Il paper presenta LGANet++, un nuovo framework di registrazione deformabile delle immagini non supervisionato che combina un meccanismo di attenzione locale-globale con la decomposizione delle immagini per superare le limitazioni dei metodi tradizionali e ottenere prestazioni superiori in scenari clinici trasversali.
Il paper presenta GraSP, un metodo unificato e trasferibile per il riconoscimento di grafi visivi basato sulla predizione di sottografi, che supera i limiti delle soluzioni specifiche per singolo compito.
MLV-Edit è un framework di editing video senza addestramento basato sul flusso ottico che, attraverso una strategia di divisione e conquista potenziata da due moduli chiave per la coerenza temporale, risolve le sfide computazionali e di stabilità nell'editing di video della durata di minuti.
Il paper presenta VideoTemp-o3, un framework unificato di pensiero agenziale che armonizza l'individuazione temporale e la comprensione video, risolvendo le inefficienze dei metodi attuali attraverso un meccanismo di mascheramento unificato, ricompense dedicate per il reinforcement learning e un nuovo benchmark per la valutazione su video lunghi.
Il paper presenta WristMIR, un framework di recupero di radiografie del polso pediatriche che sfrutta report radiologici strutturati e localizzazione specifica delle ossa per migliorare l'accuratezza diagnostica e la rilevanza clinica attraverso un processo di recupero a due stadi, superando le prestazioni dei modelli di base senza richiedere annotazioni manuali delle immagini.
Questo studio presenta il Garbage Dataset (GD), un benchmark pubblico di 12.259 immagini multi-classe per la segregazione automatizzata dei rifiuti, che dimostra come il modello EfficientNetV2S raggiunga il 95,13% di accuratezza pur evidenziando sfide critiche come lo sbilanciamento delle classi, la complessità dello sfondo e i compromessi ambientali nella selezione del modello.