6614 articoli
Il paper presenta DTR, una difesa innovativa a tempo di inferenza che mitiga gli attacchi jailbreak multimodali nei modelli visione-linguaggio ottimizzando dinamicamente i pesi dei token visivi nei cache KV, ottenendo così una maggiore robustezza senza compromettere le capacità generali del modello.
Il paper presenta Seek-CAD, un approccio pionieristico e senza addestramento che utilizza il modello open-source DeepSeek-R1 in combinazione con un feedback visivo e di ragionamento (Chain-of-Thought) per generare e perfezionare iterativamente modelli CAD parametrici 3D, supportato da un nuovo dataset basato sul paradigma di design SSR.
Questo articolo propone nuove funzioni kernel probabilistiche basate su proiezioni deterministiche per il test degli angoli in spazi ad alta dimensionalità, dimostrando sperimentalmente che superano i metodi basati su distribuzioni gaussiane e offrono un throughput di ricerca 2,5-3 volte superiore rispetto all'algoritmo HNSW.
Il paper introduce Point-MoE, un'architettura basata su Mixture-of-Experts che permette un addestramento congiunto su larga scala di dataset eterogenei per la segmentazione semantica 3D, superando i limiti dei modelli tradizionali senza richiedere etichette specifiche per dataset durante l'addestramento o l'inferenza.
Il paper presenta SenseFlow, un metodo che risolve le difficoltà di convergenza della distillazione per modelli text-to-image su larga scala basati sul flusso (come SD 3.5 e FLUX) introducendo l'allineamento implicito della distribuzione e la guida intra-segmento per ottenere prestazioni superiori rispetto alle tecniche esistenti.
Questo lavoro introduce FaceCoT, il primo dataset su larga scala di domande e risposte visive con ragionamento a catena di pensiero per il rilevamento di falsi volti, e una strategia di apprendimento progressivo potenziata da CoT, che insieme migliorano significativamente la robustezza e l'interpretabilità dei modelli multimodali rispetto agli stati dell'arte.
Il paper introduce OmniSpatial, un benchmark completo basato sulla psicologia cognitiva con oltre 8.400 coppie di domande e risposte per valutare le capacità di ragionamento spaziale avanzato dei modelli visione-linguaggio, evidenziando le loro attuali limitazioni e proponendo strategie come PointGraph e SpatialCoT per migliorarle.
Il paper presenta UniCUE, il primo framework unificato che genera direttamente l'audio dal video della Lingua dei Segni Cued (CS) cinese senza passare per il testo, superando i limiti delle pipeline tradizionali grazie a un'architettura che integra compiti di riconoscimento e generazione supportata dal nuovo dataset su larga scala UniCUE-HI.
Questo studio migliora il rilevamento di specie selvatiche fuori distribuzione (OOD) per i "Cinque Grandi" dell'Africa, dimostrando che l'approccio basato su Nearest Class Mean (NCM) con feature pre-addestrate su ImageNet supera significativamente i metodi OOD esistenti, riducendo l'overconfidence dei modelli di visione artificiale in ambienti con specie non note.
Il paper propone un approccio di meta-apprendimento che migliora le capacità few-shot dei Large Multimodal Models per il Visual Question Answering distillando prompt soft da caratteristiche visive rilevanti tramite un modulo mappatore di attenzione, superando significativamente sia l'apprendimento in contesto che i metodi di finetuning efficiente.
Il paper presenta BitVLA, un modello nativo Vision-Language-Action a 1 bit progettato per la manipolazione robotica che, grazie a una strategia di addestramento ottimizzata e alla compressione del backbone visivo, riduce l'occupazione di memoria di 11 volte e la latenza di 4,4 volte mantenendo prestazioni competitive rispetto alle controparti a precisione intera.
Il paper introduce PDGS, un nuovo framework auto-supervisionato basato su Gaussian Splatting che risolve la frammentazione nella modellazione di oggetti articolati apprendendo un campo gaussiano canonico condiviso e una deformazione continua per abilitare un controllo fluido e una decoupling accurata a livello di parti, validato anche sul nuovo dataset reale-to-sim RS-Art.
Il paper introduce VITA, un metodo di apprendimento zero-shot per funzioni di valore che supera i limiti dei modelli visione-linguaggio congelati attraverso l'adattamento al momento dell'inferenza e una strategia di campionamento basata sulla dissimilarità, ottenendo risultati superiori in compiti di manipolazione robotica e nel shaping della ricompensa per l'apprendimento per rinforzo offline.
Il paper introduce VINCIE, un modello basato su trasformatori di diffusione che impara l'editing di immagini in contesto direttamente da video, superando le dipendenze da pipeline specifiche e ottenendo risultati all'avanguardia su benchmark multi-turno.
Il paper introduce NIC-RobustBench, un toolkit open-source che colma il divario nella valutazione della robustezza avversaria dei metodi di compressione neurale delle immagini, offrendo un framework completo per analizzare sia la resilienza dei codec che il loro impatto sulle attività a valle.
Il paper propone ConCM, un framework per l'apprendimento incrementale di classe con pochi esempi che risolve i conflitti di conoscenza attraverso una calibrazione dei prototipi ispirata alla memoria associativa e un adattamento dinamico della struttura delle caratteristiche, ottenendo risultati all'avanguardia su diversi benchmark.
Il paper introduce VisionDrop, un framework di pruning visivo senza addestramento che supera le limitazioni della riduzione guidata dal testo selezionando i token visivi più informativi basandosi esclusivamente sull'attenzione intra-modale, ottenendo così una significativa riduzione della complessità computazionale con una minima perdita di prestazioni.
Il paper introduce EchoMimicV3, un framework efficiente di soli 1,3 miliardi di parametri che unifica l'animazione umana multi-task e multi-modale attraverso strategie innovative come il "Soup-of-Tasks" e il "Soup-of-Modals", superando i limiti di velocità e costo computazionale delle soluzioni precedenti.
Il paper propone CLiFT, un metodo di rendering neurale che rappresenta le scene tramite "token di campo luminoso compressi", permettendo un rendering efficiente e adattivo che bilancia dimensioni dei dati, qualità e velocità in base al budget computazionale.
Il paper propone SeC, un nuovo framework di segmentazione video basato sulla costruzione progressiva di concetti ad alto livello tramite modelli visione-linguaggio, che supera gli stati dell'arte esistenti e introduce il benchmark SeCVOS per valutare le prestazioni in scenari complessi e semanticamente ricchi.