1401 articoli
Il paper propone SPAN, un metodo innovativo per la rilevazione 3D da monoculare che migliora la coerenza geometrica e le prestazioni integrando allineamento spaziale e di proiezione 3D-2D con una strategia di apprendimento gerarchico per correggere le limitazioni dei paradigmi di predizione disaccoppiati.
Il paper introduce MediRound, un modello e un nuovo dataset (MR-MedSeg) per la segmentazione medica basata su ragionamento multi-round a livello di entità, che supera i limiti dei metodi tradizionali a dialogo singolo attraverso un meccanismo di giudizio e correzione per mitigare la propagazione degli errori.
Il paper propone l'Adaptive Diversity Cache (ADC), un modulo plug-and-play privo di addestramento che mitiga il bias a lunga coda nella rilevazione delle interazioni uomo-oggetto (HOI) accumulando rappresentazioni di feature diversificate e adattando dinamicamente la capacità di archiviazione per migliorare la rilevazione delle categorie rare senza richiedere ulteriore ottimizzazione.
Il paper presenta V-Attack, un nuovo metodo di attacco avversario per i Large Vision-Language Models che supera i limiti delle tecniche esistenti agendo direttamente sulle caratteristiche "value" disaccoppiate per ottenere un controllo semantico locale preciso e significativo.
Il paper presenta UPA-RFAS, un framework unificato che genera patch fisiche universali e trasferibili per attaccare modelli Vision-Language-Action in scenari black-box, sfruttando obiettivi nello spazio delle feature, un processo min-max robusto e perdite specifiche per il dominio VLA per garantire il successo dell'attacco su diverse architetture e compiti.
Il paper introduce AFRO, un framework auto-supervisionato che apprende rappresentazioni 3D consapevoli della dinamica robotica senza supervisione sulle azioni o sulla ricostruzione geometrica, migliorando significativamente il successo nelle attività di manipolazione rispetto ai metodi di pre-addestramento esistenti.
Questo lavoro introduce il primo quadro formale per i modelli di mondo audiovisivi, presentando il dataset AVW-4k e il modello AV-CDiT per simulare dinamiche ambientali sincronizzate in audio e video, dimostrando miglioramenti significativi nelle prestazioni di navigazione continua.
Il paper AVGGT propone uno schema di accelerazione senza addestramento per i modelli VGGT e , basato su un'analisi dei ruoli dei livelli di attenzione globale che permette di ottenere un significativo aumento della velocità di inferenza (fino a 10 volte) mantenendo o migliorando la precisione in scenari multi-vista densi.
Il paper presenta LiM-YOLO, un rilevatore di navi ottimizzato per immagini satellitari che migliora accuratezza ed efficienza attraverso uno spostamento dei livelli della piramide delle caratteristiche da P3-P5 a P2-P4 e l'uso di normalizzazione a gruppi, risolvendo così le sfide poste dalla grande disparità di scala e dai rapporti d'aspetto elevati dei bersagli marittimi.
Il paper presenta ADHint, un metodo di apprendimento per rinforzo che integra dinamicamente le difficoltà dei campioni e dei roll-out nella pianificazione degli indizi e nella stima del vantaggio, migliorando così l'efficienza dei campioni, la stabilità dell'addestramento e la capacità di generalizzazione del ragionamento.
Il paper propone la Directional Textual Inversion (DTI), un metodo che ottimizza solo la direzione degli embedding su una ipersfera unitaria per correggere l'inflazione della norma che compromette la fedeltà del prompt nella personalizzazione testo-immagine, migliorando al contempo l'interpolazione semantica rispetto alle tecniche tradizionali.
Questo lavoro introduce il benchmark DivGenBench per quantificare il collasso delle modalità di preferenza nei modelli di diffusione e propone D²-Align, un nuovo framework di allineamento che mitiga tale fenomeno correggendo direzionalmente il segnale di ricompensa per preservare la diversità generativa.
Il paper propone SeLop, un metodo di intervento ortogonale a basso rango che, rimuovendo le correlazioni spurie irrilevanti dallo spazio delle rappresentazioni, risolve il problema della generalizzazione nella rilevazione di falsificazioni facciali ottenendo prestazioni all'avanguardia con un numero ridotto di parametri.
Il paper propone un nuovo metodo per rilevare immagini generate dall'IA sfruttando i componenti finali condivisi dalle architetture dei generatori, che, contaminando le immagini reali con tali componenti e addestrando un rilevatore su DINOv3, ottiene un'accuratezza media del 98,83% su generatori mai visti prima.
Il paper presenta CLEAR-Mamba, un framework avanzato basato su MedMamba che integra un layer di condizionamento adattivo (HaC) e un meccanismo di previsione affidabile (RaP) per migliorare l'accuratezza, l'adattabilità e l'affidabilità nella classificazione multi-sequenza di angiografie oftalmiche FFA e ICGA, superando le limitazioni delle metodologie esistenti grazie a un nuovo dataset su larga scala.
Il paper introduce RegionReasoner, un framework di apprendimento per rinforzo che migliora il ragionamento visivo multi-round attraverso un nuovo benchmark (RegionDial-Bench) e un meccanismo di ricompensa che garantisce la coerenza semantica globale e locale insieme a un grounding esplicito basato su regioni.
Il paper presenta WebAccessVL, un modello visione-linguaggio supervisionato che corregge automaticamente le violazioni delle linee guida di accessibilità WCAG2 nel codice HTML dei siti web, preservando il design originale e riducendo drasticamente gli errori rispetto agli approcci esistenti.
Il paper introduce la Correzione in Tempo di Test (TTC), un metodo privo di addestramento che utilizza il primo frame come riferimento stabile per correggere l'accumulo di errori nella generazione di video lunghi tramite modelli autoregressivi distillati, ottenendo risultati di alta qualità con un costo computazionale trascurabile.
Il paper presenta RoSE, un metodo innovativo che supera i limiti di allineamento 3D delle tecniche esistenti per la stima delle normali monoculare riformulando il problema come stima di sequenze di ombreggiatura tramite modelli generativi video, ottenendo così prestazioni state-of-the-art su dataset reali.
Il paper propone un framework di budgeting degli spike consapevole dell'energia per l'apprendimento continuo nelle reti neurali a impulsi, che integra replay esperienziale e parametri neuronali adattivi per migliorare l'accuratezza e ridurre il consumo energetico sia su dataset basati su frame che su eventi.