6047 articoli
Il paper presenta SimpliHuMoN, un modello transformer semplice ed efficace che unifica la previsione di traiettorie e pose umane in un unico approccio end-to-end, ottenendo risultati all'avanguardia su diversi dataset di benchmark.
Questo articolo introduce i "Thought Flow Nets", un metodo ispirato alla dialettica hegeliana che permette ai modelli di generare una sequenza di pensieri auto-correttivi per migliorare le prestazioni nelle risposte a domande e la percezione umana rispetto alle previsioni tradizionali a output singolo.
Il paper presenta VQA-MHUG, un nuovo dataset di sguardo umano multimodale che dimostra per la prima volta come una maggiore correlazione tra l'attenzione dei modelli neurali e quella umana sul testo sia un predittore significativo delle prestazioni nel Visual Question Answering, suggerendo la necessità di migliorare i meccanismi di attenzione testuale nelle architetture visione-linguaggio.
Il paper presenta MULAN, il primo metodo che integra l'attenzione umana multimodale (sia visiva che testuale) nei modelli di Visual Question Answering, ottenendo nuovi record di accuratezza sul dataset VQAv2 con un numero di parametri addestrabili ridotto dell'80% rispetto alle tecniche precedenti.
Questo studio dimostra che i modelli di visione fondazionali, in particolare BiomedCLIP, possono fungere da estrattori di caratteristiche pronti all'uso per il recupero di immagini radiologiche basato sul contenuto, offrendo prestazioni competitive rispetto ai sistemi specializzati su un vasto dataset di 1,6 milioni di immagini senza necessità di addestramento specifico.
Il paper introduce "Implicit-Zoo", un vasto dataset di funzioni implicite neurali per immagini 2D e scene 3D, creato per superare le limitazioni computazionali e di risorse, e dimostra come il suo utilizzo migliori le prestazioni in compiti di classificazione, segmentazione semantica e regressione della posa 3D.
Il paper introduce Waffle, una nuova strategia di fine-tuning che utilizza meccanismi di attenzione strutturale e apprendimento contrastivo per migliorare la capacità dei modelli linguistici di generare codice HTML a partire da interfacce utente visive, ottenendo risultati superiori rispetto ai metodi attuali su benchmark specifici.
Il paper presenta RealOSR, un framework basato su diffusione per la super-risoluzione di immagini omnidirezionali in scenari reali che, grazie al modulo LaGAR per l'allineamento dei gradienti nello spazio latente, supera i limiti delle degradazioni reali e accelera l'inferenza di oltre 200 volte rispetto ai metodi precedenti.
Il paper presenta Slot-BERT, un modello bidirezionale auto-supervisionato che supera le limitazioni computazionali e di coerenza temporale dei metodi esistenti per la scoperta di oggetti in video chirurgici lunghi, ottenendo prestazioni superiori e un'adattabilità zero-shot su diversi dataset reali.
Questo lavoro presenta il primo framework in grado di apprendere rappresentazioni architettura-indipendenti per NeRFs eterogenei, utilizzando una Graph Meta-Network addestrata in modo non supervisionato per abilitare compiti di inferenza su modelli mai visti durante l'addestramento.
Questo lavoro presenta un approccio completamente non supervisionato basato sulla coerenza ciclica e sull'ottimizzazione bayesiana per l'annotazione sematica delle cellule in immagini microscopiche 3D di *C. elegans*, permettendo la creazione del primo atlante non supervisionato dell'organismo e superando le limitazioni dei metodi supervisionati attuali.
Questo studio propone una strategia di difesa in una sola fase basata su GAN, efficiente e agnostica rispetto al modello, che migliora significativamente l'accuratezza della classificazione dei segnali stradali negli veicoli autonomi contro gli attacchi di patch avversarie.
Il paper presenta LaGoVAD, un nuovo paradigma e modello per la rilevazione di anomalie video in ambienti open-world guidati dal linguaggio, supportato dal dataset PreVAD, che supera i limiti delle definizioni fisse delle anomalie consentendo adattamenti dinamici tramite descrizioni testuali fornite dagli utenti.
Il paper presenta SwD, un framework di distillazione per modelli di diffusione che, combinando una generazione progressiva per ridurre i calcoli ridondanti e un nuovo obiettivo basato sulla discrepanza MMD a livello di patch, raggiunge velocità di campionamento superiori e qualità competitiva rispetto alle tecniche esistenti.
Questo lavoro presenta il primo quadro completo per la stima della posa umana 2D con privacy differenziale, combinando DP-SGD proiettato e privacy differenziale delle caratteristiche per ottenere un compromesso ottimale tra protezione della privacy e accuratezza del modello sul dataset MPII.
Il paper presenta ANSE, un framework che migliora la qualità e la coerenza temporale della generazione di video tramite modelli di diffusione selezionando attivamente il rumore iniziale più promettente analizzando l'incertezza basata sull'attenzione del modello stesso.
Il paper presenta SABER, un framework innovativo che genera oggetti avversariali 3D universali e non invasivi, garantendo coerenza spaziale e temporale per valutare in modo realistico la robustezza dei rilevatori di oggetti 3D in vista dall'alto (BEV) utilizzati nei sistemi di guida autonoma.
Questo articolo propone l'Interaction Field Matching (IFM), una generalizzazione dell'Electrostatic Field Matching che supera le sue limitazioni modellando campi di interazione ispirati alla fisica delle particelle, dimostrando così efficacia in vari compiti di trasferimento dati.
Il paper presenta HSSBench, un benchmark multilingue composto da oltre 13.000 campioni e sviluppato con un nuovo pipeline di generazione dati collaborativa, progettato per valutare e stimolare le capacità di ragionamento interdisciplinare dei Modelli Linguistici Multimodali nel campo delle Scienze Umane e Sociali, un'area attualmente sottorappresentata nelle valutazioni esistenti.
Il lavoro presenta Frame Guidance, un metodo senza addestramento che abilita il controllo a livello di fotogramma nella generazione video tramite l'elaborazione di segnali come fotogrammi chiave o schizzi, riducendo drasticamente l'uso di memoria e garantendo coerenza globale senza richiedere il riaddestramento dei modelli.