6484 articoli
Il paper introduce SceneStreamer, un framework autoregressivo basato su transformer che genera scenari di traffico continui e realistici tramite la previsione di gruppi di token, permettendo la simulazione dinamica a lungo termine necessaria per addestrare sistemi di guida autonoma più robusti.
Questo lavoro propone un nuovo schedulatore di guida basato sull'annealing che adatta dinamicamente la scala di guida durante il processo di campionamento dei modelli di diffusione, migliorando significativamente la qualità delle immagini e l'allineamento con il prompt testuale senza richiedere risorse computazionali aggiuntive.
Il paper presenta MC-INR, un nuovo framework basato su reti neurali che utilizza meta-apprendimento e un meccanismo di riclustering dinamico per codificare in modo efficiente dati scientifici multivariati su griglie non strutturate, superando i limiti delle rappresentazioni neurali implicite esistenti.
Il paper presenta CoBELa, un framework basato sull'energia che garantisce una generazione trasparente e interpretabile condizionando un generatore preaddestrato tramite funzioni energetiche per concetto, permettendo interventi compositivi senza riaddestramento e migliorando accuratezza e qualità dell'immagine rispetto ai metodi precedenti.
Il paper introduce InstructVLA, un modello visione-linguaggio-azione che, grazie a una nuova strategia di addestramento chiamata VLA-IT, integra efficacemente il ragionamento multimodale avanzato con la generazione precisa di azioni robotiche, superando i limiti di dimenticanza catastrofica e le prestazioni dei modelli esistenti sia in ambienti simulati che nel mondo reale.
Il paper presenta DMTrack, un nuovo approccio per il tracciamento multimodale spaziotemporale che utilizza un'architettura a doppio adattatore (STMA e PMCA) per ottenere risultati all'avanguardia su cinque benchmark con soli 0,93 milioni di parametri addestrabili.
Questo articolo presenta un nuovo framework zero-shot per la super-risoluzione 3D delle immagini TC che integra prior di proiezione 2D basati su diffusione e una tecnica di splatting gaussiano 3D con fusione alfa negativa (NAB-GS) per ricostruire volumi ad alta risoluzione da input a bassa risoluzione senza richiedere dataset appaiati.
Il paper presenta MMTok, un metodo che massimizza la copertura multimodale selezionando i token visivi più informativi combinando sia le informazioni visive che testuali per migliorare l'efficienza di inferenza dei modelli visione-linguaggio senza comprometterne le prestazioni.
Questo articolo introduce ConEQsA, un sistema agenziale e un benchmark per la Risposta Asincrona e Concorrente a Domande Embodied (EQsA), progettato per gestire in modo efficiente domande multiple con diverse priorità in ambienti 3D attraverso la pianificazione dinamica e la memoria condivisa.
Questo studio valuta sistematicamente le capacità dei modelli visione-linguaggio (VLM) nella comprensione della topologia stradale per la guida autonoma, rivelando che, nonostante i progressi, le attuali architetture, inclusi i modelli chiusi all'avanguardia, presentano carenze significative nel ragionamento spaziale che rappresentano un collo di bottiglia fondamentale.
Il paper introduce SiNGER, un nuovo framework di distillazione che migliora le prestazioni dei modelli studenteschi eliminando gli artefatti ad alta norma dai Vision Transformer preservando al contempo i segnali informativi, ottenendo così rappresentazioni più chiare e risultati all'avanguardia.
Il paper introduce Earth-Agent, un innovativo framework agentiche unifica dati di osservazione terrestre RGB e spettrali in un ecosistema di strumenti basato su MCP per abilitare ragionamenti spaziotemporali complessi e quantitativi, accompagnato da Earth-Bench, un benchmark completo per la valutazione sistematica di tali capacità.
Il paper presenta PROFusion, un sistema di ricostruzione densa in tempo reale che combina una regressione di pose appresa per l'inizializzazione robusta con un'ottimizzazione di precisione, permettendo di gestire efficacemente movimenti di camera instabili mantenendo alta accuratezza.
Il paper propone Proxy-GS, un nuovo metodo che utilizza un sistema proxy veloce per introdurre la consapevolezza delle occlusioni nel 3D Gaussian Splatting, migliorando sia la velocità di rendering che la qualità visiva attraverso una culling efficiente e una densificazione guidata.
Il paper presenta EchoGen, un framework pionieristico basato su modelli auto-regressivi feed-forward che risolve il compromesso tra efficienza e qualità nella generazione guidata da soggetti, offrendo un'alta fedeltà e velocità di inferenza superiori rispetto ai metodi diffusion-based tradizionali.
Il lavoro presenta TTT3R, un metodo di addestramento-free che applica l'apprendimento al momento del test ai modelli di ricostruzione 3D basati su reti ricorrenti, migliorando significativamente la generalizzazione alla lunghezza e le prestazioni nella stima della posa globale senza richiedere risorse computazionali aggiuntive.
Il paper presenta BindWeave, un framework unificato che integra un modello linguistico multimodale con un trasformatore di diffusione per generare video ad alta fedeltà e coerenti con il soggetto, superando le limitazioni attuali nella gestione di relazioni spaziali complesse e interazioni tra più entità.
Il paper presenta ArbInterp, un nuovo framework generativo per l'interpolazione video che supera i limiti dei metodi esistenti consentendo la sintesi di frame intermedi a qualsiasi istante temporale e di qualsiasi durata, grazie all'uso di un embedding posizionale rotativo sensibile al timestamp e di una strategia di condizionamento che disaccoppia aspetto e movimento per garantire coerenza spaziotemporale.
Il paper presenta D2E, un framework che dimostra come l'addestramento su interazioni desktop su larga scala, ottenute tramite un toolkit unificato e un modello di generalista, permetta di trasferire efficacemente le competenze sensorimotorie a compiti di robotica fisica, raggiungendo prestazioni superiori a modelli molto più grandi.
Il paper presenta Human3R, un framework unificato e feed-forward che ricostruisce in tempo reale, in un'unica passata e senza dipendenze esterne, corpi umani multipli, scene 3D dense e traiettorie della camera da video monoculare casuali, superando i metodi precedenti basati su pipeline multi-stadio.