6941 articoli
Il paper propone ProGIC, un codec di compressione immagini generativa progressivo e leggero basato sulla quantizzazione vettoriale residua, che offre un'alta qualità percettiva, trasmissione flessibile e un'efficienza computazionale superiore rispetto ai metodi esistenti.
Il documento presenta l'HBSN, una nuova architettura di deep learning che calcola la firma di Beltrami armonica per estrarre informazioni sulla forma invarianti, integrandola efficacemente come modulo di priorità geometrica nei modelli di segmentazione per migliorarne le prestazioni.
Il paper presenta "Articulation in Motion" (AiM), un nuovo framework che ricostruisce, segmenta e analizza la mobilità di oggetti articolati a partire da un video di interazione e una scansione iniziale, utilizzando una rappresentazione a doppi Gaussiani e un'analisi RANSAC sequenziale per determinare automaticamente il numero di parti e le loro cinematiche senza richiedere conoscenze a priori.
Il paper presenta HDINO, un rilevatore di oggetti open-vocabulary efficiente che, grazie a una strategia di formazione in due fasi e senza dipendere da dati curati manualmente o da estrazioni di caratteristiche pesanti, supera le prestazioni di metodi esistenti come Grounding DINO e T-Rex2 sul dataset COCO.
Il modello fondazionale GloPath, addestrato su oltre un milione di glomeruli, supera gli stati dell'arte nel rilevamento delle lesioni glomerulari e scopre nuove associazioni clinicopatologiche, rappresentando un passo significativo verso l'intelligenza artificiale traslabile in nefropatologia.
Il paper introduce TC-Padé, un metodo di accelerazione per i modelli di diffusione basato su un'approssimazione di Padé che, superando i limiti delle tecniche di caching esistenti nei regimi a basso numero di passi, garantisce una generazione di immagini e video di alta qualità con un'accelerazione significativa mantenendo la coerenza della traiettoria.
Il paper propone un framework semi-supervisionato innovativo che integra una "Proportion Loss" per mitigare il bias delle classi maggioritarie e migliorare le prestazioni su dataset sbilanciati, ottenendo risultati superiori rispetto ai metodi esistenti su CIFAR-10 a coda lunga.
Questo articolo propone un metodo semi-supervisionato che utilizza dati non etichettati per migliorare l'adattamento few-shot dei modelli visione-linguaggio in ambito medico, riducendo la necessità di annotazioni esperte del 50% in scenari con pochi esempi.
Questo paper propone una pipeline di sintesi anomala basata su modelli fondazionali (FMAS) e un modulo di attenzione nel dominio delle ondelette (WDAM) per migliorare l'efficienza e la sensibilità del rilevamento di anomalie industriali, ottenendo risultati significativi sui dataset MVTec AD e VisA.
Il paper presenta TagaVLM, un framework end-to-end che integra strutture topologiche esplicitamente in un modello VLM tramite meccanismi di attenzione e prompt specifici, consentendo un ragionamento globale sulle azioni e ottenendo prestazioni all'avanguardia nel benchmark R2R, dimostrando che miglioramenti mirati su modelli open-source sono più efficaci del semplice scaling della dimensione del modello per il ragionamento spaziale embodied.
Questo lavoro propone un metodo efficiente per la rilevazione di anomalie non supervisionata che utilizza un modello autoregressivo spaziale parametrico sui embedding di DINOv3 per catturare le dipendenze contestuali, eliminando la necessità di costose banche di memoria e riducendo significativamente il tempo e la memoria di inferenza.
Il paper presenta il dataset Dresden (D4D), una risorsa composta da oltre 300.000 fotogrammi e 369 nuvole di punti derivanti da sessioni chirurgiche su cadaveri suini, che fornisce video endoscopici e geometria strutturata di alta qualità per valutare e sviluppare metodi di ricostruzione 4D, SLAM non rigido e stima della profondità in scenari chirurgici addominali realistici.
Il paper introduce VIRGi, un metodo innovativo che permette di modificare rapidamente e fotorealisticamente i colori di scene ricostruite con 3D Gaussian Splatting, preservando gli effetti dipendenti dalla vista come i riflessi speculari, attraverso un'architettura che separa le componenti di colore e un addestramento multi-vista che consente l'editing in tempo reale basandosi su una singola immagine modificata dall'utente.
Il paper propone l'Ultra Resolution Geometry Transformer (URGT), un modello basato su un trasformatore multi-patch che, partendo da un'immagine monoculare ad alta risoluzione, unisce stime di profondità e normali superficiali con coerenza globale e dettagli locali, ottenendo risultati all'avanguardia e una forte generalizzazione cross-dominio.
Il paper presenta BRIGHT, il primo modello fondazionale collaborativo generalista-specialista progettato specificamente per la patologia mammaria e addestrato su un vasto dataset multicentrico, che dimostra prestazioni superiori rispetto ai modelli generalisti esistenti su una vasta gamma di compiti clinici, validando così un nuovo paradigma scalabile per lo sviluppo di modelli specifici per organi.
Il paper presenta EduVQA, un nuovo framework e dataset (EduAIGV-1k) con annotazioni granulari per valutare la qualità percettiva e l'allineamento ai prompt dei video generati dall'IA a scopo educativo, introducendo un modulo S2D-MoE che supera le prestazioni degli attuali metodi di valutazione.
Il paper introduce TikZilla, una famiglia di modelli linguistici open-source addestrati su un nuovo dataset di alta qualità (DaTikZ-V4) e ottimizzati tramite un processo di apprendimento per rinforzo con segnali di ricompensa visiva, che supera le prestazioni dei modelli più grandi come GPT-4o nella generazione di figure scientifiche TikZ da testo.
Il paper presenta TinyIceNet, una rete neurale compatta e ottimizzata per FPGA che esegue in orbita la segmentazione del ghiaccio marino da immagini SAR Sentinel-1, garantendo un'elaborazione quasi in tempo reale con un consumo energetico ridotto rispetto alle soluzioni tradizionali basate su GPU.
Il paper presenta AWDiff, un modello di diffusione basato sulla trasformata wavelet a trous e condizionato semanticamente da BioMedCLIP, progettato per sintetizzare immagini ecografiche polmonari ad alta fedeltà strutturale preservando i dettagli diagnostici critici spesso persi dai metodi generativi esistenti.
Il paper propone RL3DEdit, un framework basato sul reinforcement learning che sfrutta i reward derivati dal modello fondazionale 3D VGGT per garantire coerenza multi-vista nell'editing di scene 3D, superando le limitazioni della scarsità di dati di addestramento supervisionato.