6102 articoli
Il paper presenta Crab⁺, un modello unificato e scalabile per la comprensione audio-visiva che risolve il problema del trasferimento negativo attraverso il dataset AV-UIE v2 e l'architettura I-LoRA, permettendo un apprendimento multi-task che supera le prestazioni dei modelli specializzati in quasi l'88% dei casi.
Il paper presenta un framework di regolazione dell'attenzione a tempo di inferenza che, integrando maschere anatomiche e correzioni latenti guidate dalla patologia, genera immagini sintetiche di radiografie toraciche controfattuali con maggiore coerenza strutturale e localizzazione precisa delle lesioni.
Questo articolo propone HBRB-BoW, un algoritmo di addestramento lessicale gerarchico che integra flussi di valori reali per preservare l'integrità delle informazioni descrittive e migliorare le prestazioni di loop closing e relocalizzazione in ORB-SLAM, superando le limitazioni di precisione delle tradizionali tecniche di raggruppamento binario.
Questo articolo presenta il LISTA-Transformer, un modello innovativo che integra la codifica sparsa basata sull'algoritmo LISTA con il meccanismo di attenzione del Transformer per migliorare l'estrazione di caratteristiche locali e globali nei segnali di vibrazione, ottenendo un tasso di riconoscimento dei guasti del 98,5% sul dataset CWRU.
Questo studio introduce un framework di addestramento aumentato basato su degradazioni artificiali che, applicato selettivamente a un sottoinsieme di individui, migliora significativamente la robustezza e l'accuratezza del re-identificazione individuale degli animali selvatici in condizioni di immagine degradate, fornendo al contempo nuovi benchmark e risorse open source per la comunità scientifica.
Il paper introduce PlaneCycle, un operatore senza addestramento e senza adattatori che permette di trasformare modelli fondazione 2D preaddestrati in reti 3D riutilizzando il backbone originale attraverso una distribuzione ciclica dell'aggregazione spaziale, ottenendo prestazioni competitive su compiti di classificazione e segmentazione 3D senza modifiche strutturali.
Questo lavoro propone un formalismo unificato per l'aggregazione di densità basato sulle medie generalizzate, dimostrando teoricamente e validando empiricamente che solo l'intervallo garantisce miglioramenti sistematici rispetto alle distribuzioni individuali, fornendo così una giustificazione rigorosa per l'uso diffuso della media lineare () e geometrica () negli ensemble di deep learning.
Il paper introduce Real5-OmniDocBench, il primo benchmark che ricrea fisicamente l'intero dataset OmniDocBench v1.5 in cinque scenari reali, permettendo per la prima volta un'analisi rigorosa delle cause del degrado delle prestazioni dei modelli Vision-Language nel mondo fisico e rivelando che il divario tra simulazione e realtà nel parsing documentale è ancora significativo.
Il paper propone un metodo basato su un autoencoder variazionale specializzato e una stima della densità non parametrica per rimuovere le dipendenze indesiderate dai dati preservandone l'utilità, superando le tecniche esistenti sia non supervisionate che supervisionate.
Il paper propone DiverseDiT, un nuovo framework che migliora l'apprendimento delle rappresentazioni nei Diffusion Transformers introducendo connessioni residue lunghe e una funzione di perdita specifica per promuovere la diversità delle rappresentazioni tra i blocchi, ottenendo così prestazioni superiori e una convergenza più rapida su diversi backbones e configurazioni.
Il paper propone DeNuC, un metodo che migliora significativamente la rilevazione e la classificazione dei nuclei nelle immagini istopatologiche disaccoppiando le due fasi per sfruttare appieno i modelli fondazionali, ottenendo prestazioni superiori con un numero di parametri addestrabili drasticamente ridotto.
Il paper propone EmbodiedSplat, un metodo feed-forward online basato su 3DGS che permette la ricostruzione e la comprensione semantica open-vocabulary di scene 3D in tempo reale, integrando embedding CLIP 2D con caratteristiche geometriche 3D per garantire generalizzabilità e bassa memoria.
Questo articolo presenta un'architettura neurale equivariante per il colore che risolve le imperfezioni dei metodi precedenti elevando le quantità di saturazione e luminosità dall'intervallo reale al cerchio (una doppia copertura), ottenendo così una vera equivarianza che migliora le prestazioni in compiti come la classificazione fine-grained e l'imaging medico.
Il paper introduce ViterbiPlanNet, un framework innovativo che integra esplicitamente la conoscenza procedurale tramite un Livello Viterbi Differenziabile per migliorare l'efficienza dei campioni e le prestazioni nella pianificazione di video istruttivi, superando i metodi basati su modelli di grandi dimensioni con un numero significativamente inferiore di parametri.
Il paper propone SSR, un framework generico di compressione delle mappe che combina descrizioni testuali e piccoli vettori di caratteristiche visive per ridurre significativamente i costi di memoria e larghezza di banda mantenendo un'elevata precisione nella localizzazione robotica.
Questo studio multicentrico valuta l'applicabilità delle tecniche di deep learning per la rilevazione e la segmentazione dei polipi colici in tempo reale, dimostrando come l'integrazione di dati sequenziali e informazioni temporali, ottenuti attraverso una collaborazione tra data scientist ed esperti gastroenterologi, migliori significativamente la precisione diagnostica riducendo i tassi di rilevamento mancato.
Il paper introduce CubeComposer, un modello di diffusione autoregressivo spaziotemporale innovativo che genera nativamente video 360° in 4K partendo da input prospettici, superando i limiti computazionali dei metodi esistenti attraverso una strategia di decomposizione in cubemap e tecniche di gestione del contesto ottimizzate per garantire coerenza visiva e assenza di discontinuità.
Il paper presenta MMFA, un nuovo metodo non supervisionato che, attraverso l'apprendimento rappresentativo e un nuovo calcolo dei punti chiave, decoppia l'identità dal movimento per abilitare la generazione controllata e l'interpolazione continua di espressioni facciali realistiche.
Il paper presenta PromptAvatar, un framework basato su modelli di diffusione duali e un nuovo dataset su larga scala che genera avatar 3D ad alta fedeltà da prompt testuali o immagini in meno di 10 secondi, superando i limiti di controllo fine e di efficienza computazionale dei metodi esistenti.
Il documento presenta CRESTomics, un nuovo modello di classificazione additiva basato su kernel che, analizzando 500 placche carotidee del trial CREST-2 tramite ecografia B-mode, identifica in modo accurato e interpretabile marcatori radiomici associati al rischio clinico di ictus.