6727 articoli
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.
Questo articolo presenta un quadro unificato di gemelli digitali e robotici che integra simulazioni avanzate e testbed robotici per validare in modo affidabile e modulare i sistemi di guida, navigazione e controllo (GNC) per le operazioni di rendezvous e il volo in formazione nello spazio.
Il paper presenta MonoFusion, un metodo che ricostruisce scene dinamiche da video con viste sparse allineando ricostruzioni monocolari indipendenti per ottenere risultati di alta qualità e coerenti, superando i limiti delle costose configurazioni multi-vista tradizionali.
Il paper propone HGTS-Former, una nuova architettura Transformer basata su ipergrafi gerarchici che migliora l'analisi delle serie temporali multivariate modellando le complesse interazioni tra variabili, ottenendo risultati all'avanguardia anche su un nuovo dataset su larga scala per il riconoscimento dei modi localizzati ai bordi nella fusione nucleare.
Questo lavoro propone un nuovo metodo di simulazione della risonanza magnetica che raggruppa gli isocromati con caratteristiche identiche per condividere i calcoli, riducendo i tempi di elaborazione da 3 a 72 volte rispetto alle tecniche convenzionali.
Questo lavoro propone l'uso di "Causal Delta Embeddings", rappresentazioni invarianti e sparse delle azioni nel spazio latente, per migliorare la robustezza fuori distribuzione nell'apprendimento di rappresentazioni causali da coppie di immagini senza supervisione aggiuntiva.
Il paper presenta Uni-CoT, un framework unificato che combina pianificazione macro e esecuzione micro per abilitare un ragionamento multimodale coerente tra testo e immagini, ottenendo prestazioni all'avanguardia con un addestramento efficiente su 8 GPU.
Il paper propone ImagiDrive, un innovativo framework end-to-end per la guida autonoma che integra un agente basato su modelli visione-linguaggio con un immaginatore di scene basato su modelli del mondo di guida, creando un ciclo unificato di immaginazione e pianificazione che supera le prestazioni degli approcci precedenti su dataset come nuScenes e NAVSIM.
Il paper introduce CineTrans, un nuovo framework basato su modelli di diffusione mascherati e un dataset specifico (Cine250K) per generare video coerenti multi-scena con transizioni cinematografiche, superando le limitazioni attuali nella sintesi video multi-shot.
Il paper presenta MOON, il primo modello generativo basato su MLLM per l'apprendimento di rappresentazioni multimodali nel commercio elettronico, che supera i limiti delle architetture discriminative esistenti attraverso un modulo MoE guidato, il rilevamento di regioni semantiche chiave e una strategia di campionamento negativo specializzata, supportato dal nuovo benchmark MBE.
Il paper propone un nuovo framework chiamato Next Visual Granularity (NVG) che genera immagini decomponendole in una sequenza strutturata di granularità visiva crescente, dai layout globali ai dettagli fini, ottenendo risultati superiori rispetto alla serie VAR sul dataset ImageNet.
Il paper presenta ARMed, un nuovo framework di apprendimento per rinforzo che mitiga il collasso semantico delle ricompense per migliorare il ragionamento medico open-ended nei modelli visione-linguaggio, ottenendo risultati superiori su sei benchmark medici.
Il paper propone un framework di apprendimento multimodale disaccoppiato che integra istologia e trascrittomica per la caratterizzazione del cancro, affrontando l'eterogeneità dei dati, l'integrazione multi-scala e la dipendenza da dati accoppiati attraverso strategie innovative di fusione, distillazione e aggregazione dei token.