cs.CV articoli | Gist.Science

Kling-MotionControl Technical Report

Il documento presenta Kling-MotionControl, un framework unificato basato su DiT che garantisce un'animazione di personaggi olistica, robusta ed espressiva, combinando una strategia "divide-and-conquer" per la gestione differenziata di corpo, volto e mani, un'apprendimento adattivo per la generalizzazione cross-identità, una preservazione fedele dell'aspetto e un'accelerazione dell'inferenza superiore a 10 volte, superando le soluzioni commerciali e open-source esistenti in termini di qualità visiva e controllo preciso.

Kling Team, Jialu Chen, Yikang Ding + 21 more2026-03-04💻 cs

Conditioned Activation Transport for T2I Safety Steering

Il paper propone Conditioned Activation Transport (CAT), un nuovo framework che utilizza mappe di trasporto non lineari condizionate su un dataset contrastivo per ridurre la generazione di contenuti tossici nei modelli Text-to-Image senza compromettere la qualità delle immagini su prompt sicuri.

Maciej Chrabąszcz, Aleksander Szymczyk, Jan Dubiński + 3 more2026-03-04🤖 cs.AI

MoD-DPO: Towards Mitigating Cross-modal Hallucinations in Omni LLMs using Modality Decoupled Preference Optimization

Questo lavoro propone MoD-DPO, un framework di ottimizzazione delle preferenze che mitiga le allucinazioni cross-modali nei modelli linguistici omni-modali introducendo regolarizzazioni specifiche per le modalità e penalità contro i pregiudizi testuali, migliorando così l'accuratezza percettiva e la robustezza del modello.

Ashutosh Chaubey, Jiacheng Pang, Mohammad Soleymani2026-03-04💬 cs.CL

Chain of World: World Model Thinking in Latent Motion

Il paper introduce CoWVLA, un nuovo paradigma per i modelli Vision-Language-Action che unisce il ragionamento temporale dei modelli del mondo con una rappresentazione latente del movimento disaccoppiata, superando i limiti delle approcci esistenti e migliorando l'efficienza dell'apprendimento visuomotorio.

Fuxiang Yang, Donglin Di, Lulu Tang + 6 more2026-03-04🤖 cs.AI

ACE-Brain-0: Spatial Intelligence as a Shared Scaffold for Universal Embodiments

Il paper introduce ACE-Brain-0, un modello fondazionale generale che unifica ragionamento spaziale, guida autonoma e manipolazione robotica sfruttando l'intelligenza spaziale come scaffold universale e il paradigma SSR per superare le sfide dell'addestramento su embodiment eterogenei, ottenendo prestazioni all'avanguardia su 24 benchmark.

Ziyang Gong, Zehang Luo, Anke Tang + 21 more2026-03-04💬 cs.CL

COP-GEN: Latent Diffusion Transformer for Copernicus Earth Observation Data -- Generation Stochastic by Design

Il paper introduce COP-GEN, un modello di diffusione latente basato su transformer che genera dati di osservazione terrestre multimodali in modo stocastico per catturare l'incertezza intrinseca e abilitare traduzioni tra sensori e completamento dati senza addestramento specifico per ogni compito.

Miguel Espinosa, Eva Gmelich Meijling, Valerio Marsocci + 2 more2026-03-04💻 cs

UniG2U-Bench: Do Unified Models Advance Multimodal Understanding?

Il paper introduce UniG2U-Bench, un benchmark completo che dimostra come, sebbene i modelli multimodali unificati possano migliorare l'intelligenza spaziale e il ragionamento multi-step attraverso la generazione, essi tendano generalmente a sottoperformare rispetto ai modelli base e che l'approccio "genera poi rispondi" spesso degradi le prestazioni rispetto all'inferenza diretta.

Zimo Wen, Boxiu Li, Wanbo Zhang + 11 more2026-03-04🤖 cs.AI

DuoMo: Dual Motion Diffusion for World-Space Human Reconstruction

Il paper presenta DuoMo, un metodo generativo basato su due modelli di diffusione che ricostruisce il movimento umano nello spazio mondiale partendo da video non vincolati e rumorosi, ottenendo risultati all'avanguardia rispetto agli stati dell'arte.

Yufu Wang, Evonne Ng, Soyong Shin + 8 more2026-03-04💻 cs

LoGeR: Long-Context Geometric Reconstruction with Hybrid Memory

LoGeR è un'architettura innovativa che supera i limiti di scala dei modelli geometrici feedforward per la ricostruzione 3D su video di lunga durata, combinando un modulo di memoria ibrido con addestramento test-time e attenzione a finestra scorrevole per garantire coerenza globale e precisione senza post-ottimizzazione.

Junyi Zhang, Charles Herrmann, Junhwa Hur + 5 more2026-03-04🤖 cs.LG

Beyond Language Modeling: An Exploration of Multimodal Pretraining

Questo studio esplora il preaddestramento multimodale nativo utilizzando il framework Transfusion, rivelando che la combinazione di rappresentazioni visive unificate, dati complementari e un'architettura Mixture-of-Experts risolve l'asimmetria di scalabilità tra linguaggio e visione, permettendo l'emergere di modelli fondazionali multimodali capaci di modellare il mondo.

Shengbang Tong, David Fan, John Nguyen + 18 more2026-03-04💻 cs

Tether: Autonomous Functional Play with Correspondence-Driven Trajectory Warping

Il paper presenta Tether, un metodo che permette ai robot di eseguire autonomamente ore di gioco funzionale nel mondo reale partendo da poche dimostrazioni, utilizzando corrispondenze di punti chiave per adattare le azioni e modelli visione-linguaggio per guidare un ciclo continuo di selezione e miglioramento dei compiti, generando così un vasto dataset che porta a politiche di imitazione competitive con quelle apprese da umani.

William Liang, Sam Wang, Hung-Ju Wang + 3 more2026-03-04🤖 cs.AI

ULTRA: Unified Multimodal Control for Autonomous Humanoid Whole-Body Loco-Manipulation

Il paper presenta ULTRA, un framework unificato che combina un algoritmo di retargeting neurale guidato dalla fisica e un controller multimodale per abilitare i robot umanoidi a eseguire compiti complessi di locomozione e manipolazione in autonomia partendo da specifiche ad alto livello e percezione visiva, superando i limiti delle metodologie basate sul tracciamento di riferimenti predefiniti.

Xialin He, Sirui Xu, Xinyao Li + 4 more2026-03-04💻 cs

How to Peel with a Knife: Aligning Fine-Grained Manipulation with Human Preference

Il paper presenta un framework di apprendimento in due fasi per l'automazione di compiti di manipolazione complessi e soggettivi come la sbucciatura con un coltello, che combina l'imitazione guidata dalla forza con un affinamento basato sulle preferenze umane per ottenere tassi di successo superiori al 90% e una forte generalizzazione zero-shot su diverse varietà di frutta e verdura.

Toru Lin, Shuying Deng, Zhao-Heng Yin + 2 more2026-03-04⚡ eess

MIBURI: Towards Expressive Interactive Gesture Synthesis

Il paper presenta MIBURI, un framework causale online pionieristico che genera in tempo reale gesti corporei ed espressioni facciali espressivi e sincronizzati con il discorso, superando i limiti di rigidità e latenza delle soluzioni esistenti per gli agenti conversazionali incarnati.

M. Hamza Mughal, Rishabh Dabral, Vera Demberg + 1 more2026-03-04💻 cs

Utonia: Toward One Encoder for All Point Clouds

Il paper presenta Utonia, un encoder transformer auto-supervisionato unificato che apprende rappresentazioni coerenti da punti cloud eterogenei provenienti da diversi domini, migliorando le capacità percettive e abilitando applicazioni avanzate nella robotica e nel ragionamento multimodale.

Yujia Zhang, Xiaoyang Wu, Yunhan Yang + 6 more2026-03-04💻 cs

Towards Accurate One-Stage Object Detection with AP-Loss

Questo articolo propone un nuovo framework per i rilevatori di oggetti one-stage che sostituisce il compito di classificazione con un'attività di ranking ottimizzata tramite una perdita di precisione media (AP-loss) e un algoritmo di ottimizzazione innovativo, ottenendo risultati significativamente migliori senza modificare l'architettura della rete.

Kean Chen, Jianguo Li, Weiyao Lin + 6 more2026-03-03💻 cs

AP-Loss for Accurate One-Stage Object Detection

Questo paper propone un nuovo framework per i rilevatori di oggetti in una sola fase che sostituisce il compito di classificazione con un compito di ordinamento ottimizzato tramite una perdita di precisione media (AP-loss), risolvendo efficacemente lo squilibrio tra classi e ottenendo prestazioni all'avanguardia grazie a un innovativo algoritmo di ottimizzazione.

Kean Chen, Weiyao Lin, Jianguo Li + 3 more2026-03-03💻 cs

OmniTracker: Unifying Object Tracking by Tracking-with-Detection

Il paper presenta OmniTracker, un modello unificato basato su un paradigma di "tracking con rilevamento" che risolve simultaneamente compiti di tracciamento istanza e categoria condividendo un'unica architettura e pesi, ottenendo prestazioni competitive su sette dataset senza la ridondanza dei metodi specifici per compito.

Junke Wang, Zuxuan Wu, Dongdong Chen + 4 more2026-03-03💻 cs

RFAConv: Receptive-Field Attention Convolution for Improving Convolutional Neural Networks

Il paper introduce la Receptive-Field Attention Convolution (RFAConv), una nuova unità convoluzionale che risolve il problema della condivisione dei parametri tramite un meccanismo di attenzione sui campi ricettivi, migliorando significativamente le prestazioni delle reti neurali con un costo computazionale e parametrico trascurabile.

Xin Zhang, Chen Liu, Degang Yang + 4 more2026-03-03💻 cs

Task-Driven Lens Design

Il paper propone un nuovo approccio di progettazione ottica "task-driven" che, congelando un modello di visione preaddestrato e ottimizzando solo la lente, supera i limiti dei metodi tradizionali e dell'ottimizzazione end-to-end instabile, producendo lenti che generano immagini meglio adattate alle preferenze del modello e che superano le lenti classiche con lo stesso o un minor numero di elementi.

Xinge Yang, Qiang Fu, Yunfeng Nie + 1 more2026-03-03🔬 physics.optics

← Precedente Successivo →