6631 articoli
Il paper presenta I2S, un framework leggero e in tempo reale per l'identificazione degli utenti tramite l'analisi delle pose 3D delle mani durante le interazioni uomo-oggetto in video egocentrici, ottenendo un'accuratezza del 97,52% e risultando ideale per sistemi di realtà aumentata in ambienti critici.
Il lavoro propone GeoProto, un nuovo approccio per il riconoscimento fine-granularità interpretabile che, sfruttando le mappe di diffusione e un'interpolazione di Nyström differenziabile, allinea le similarità alla geometria intrinseca delle caratteristiche visive non lineari, superando le limitazioni delle distanze euclidee e ottenendo prestazioni superiori su benchmark standard.
Il paper presenta SHINE, un framework senza addestramento che sfrutta i modelli di diffusione pre-addestrati come FLUX per realizzare composizioni di immagini fisicamente plausibili con ombre e riflessi realistici, superando le limitazioni delle tecniche esistenti e introducendo il nuovo benchmark ComplexCompo per valutare scenari complessi.
Il paper introduce QuadGPT, il primo framework autoregressivo che genera mesh quadrate in modo end-to-end superando i limiti delle pipeline di conversione da triangoli grazie a una tokenizzazione unificata e a un affinamento tramite Reinforcement Learning.
Il paper presenta DistillKac, un generatore di immagini ad alta velocità che sfrutta l'equazione delle onde smorzata e la rappresentazione stocastica di Kac per garantire un trasporto di massa probabilistica a velocità finita, permettendo così la generazione di campioni di alta qualità con un numero ridotto di valutazioni della funzione.
Questo lavoro propone un nuovo framework di valutazione open-vocabulary e scalabile per le emozioni visive nei modelli linguistici multimodali (MLLM), basato su un compito di giudizio delle dichiarazioni emotive e su una pipeline automatizzata, che rivela sia i progressi delle prestazioni attuali sia le significative lacune nella comprensione della soggettività rispetto agli esseri umani.
Il paper introduce COMPASS, un framework innovativo che genera intervalli di previsione conformali efficienti e robusti per le metriche di segmentazione medica, calibrando direttamente nello spazio delle rappresentazioni del modello per ottenere garanzie di copertura più strette rispetto ai metodi tradizionali, anche in presenza di cambiamenti di distribuzione.
Il paper presenta CircuitSense, un benchmark gerarchico basato su oltre 8.000 problemi che valuta la capacità dei modelli linguistici multimodali di comprendere i circuiti elettronici, rivelando un divario critico tra l'eccellente riconoscimento visivo e la scarsa abilità nel derivare equazioni simboliche e nel ragionamento analitico necessari per la progettazione ingegneristica.
Il lavoro presenta NeuroAdapter, un framework di decodifica visiva che condiziona direttamente i modelli di diffusione latente sulle rappresentazioni cerebrali per ottenere ricostruzioni competitive e trasparenti, integrando il nuovo metodo interpretativo IBBI per analizzare come diverse aree corticali influenzano il processo generativo.
Il paper presenta DiffInk, il primo framework Transformer basato su diffusione latente per la generazione di intere righe di scrittura online, che combina un nuovo autoencoder variabile (InkVAE) con regolarizzazioni per accuratezza dei glifi e stile, e un modello di diffusione (InkDiT) per produrre traiettorie realistiche, efficienti e strutturalmente coerenti.
Il paper presenta SMART-R1, un nuovo paradigma di affinamento tramite rinforzo di stile R1 che, combinando ottimizzazione della politica orientata alle metriche e una strategia di addestramento iterativa "SFT-RFT-SFT", supera le attuali limitazioni nella simulazione del traffico multi-agente raggiungendo le prestazioni più avanzate sul dataset Waymo Open Motion.
Il paper presenta EditReward, un modello di ricompensa open-source addestrato su un nuovo dataset di preferenze umane su larga scala che supera gli attuali modelli di valutazione, consentendo la selezione di dati di addestramento di alta qualità e il miglioramento significativo dei modelli di editing di immagini.
Stylos è un framework innovativo per il trasferimento di stile 3D che, utilizzando un'unica passata di inferenza su scene non posizionate, genera scene Gaussiane stilizzate con coerenza visiva e fedeltà geometrica senza necessità di ottimizzazione per scena o pose precalcolate.
Il paper propone CB, un nuovo benchmark multiculturale, multitask e multilingue basato sui fumetti, progettato per valutare e migliorare le capacità di consapevolezza culturale dei Modelli Linguistici Multimodali (MLLM) attraverso compiti di difficoltà progressiva che evidenziano un significativo divario rispetto alle prestazioni umane.
Il paper presenta LVTINO, il primo risolutore inverso zero-shot per il restauro video ad alta definizione che sfrutta i Video Consistency Models per garantire coerenza temporale e alta qualità ricostruttiva con elevata efficienza computazionale, superando i limiti degli approcci basati su modelli immagine applicati fotogramma per fotogramma.
Il paper presenta DragFlow, un nuovo framework che supera i limiti delle tecniche di editing basate su punti sfruttando i potenti prior del modello DiT FLUX attraverso una supervisione basata su regioni, trasformazioni affini e adattatori di personalizzazione, ottenendo risultati state-of-the-art su benchmark specifici.
Il paper presenta ChainMPQ, un metodo senza addestramento che riduce le allucinazioni relazionali nei modelli visione-linguaggio generando catene di ragionamento intercalate tra testo e immagini guidate da domande multi-prospettica.
Il paper presenta il VA-Adapter, un adattatore visione-azione che integra i modelli fondazionali degli ultrasuoni per guidare le sonde ecocardiografiche inferendo l'anatomia cardiaca individuale dalle sequenze storico-azioni, superando le sfide della variabilità anatomica con una frazione dei parametri di addestramento rispetto ai modelli esistenti.
Il paper introduce TTOM, un framework senza addestramento che migliora la generazione video composita allineando i modelli fondazionali video ai layout spaziotemporali tramite ottimizzazione e memorizzazione in tempo di test, ottenendo risultati superiori su benchmark come T2V-CompBench e Vbench.
Il paper introduce i "splattable neural primitives", una nuova rappresentazione volumetrica che combina l'espressività dei modelli neurali con l'efficienza dello splatting, permettendo di ottenere la stessa qualità e velocità del 3D Gaussian Splatting utilizzando dieci volte meno primitive e sei volte meno parametri.