7060 articoli
Il paper presenta UniFlow, un tokenizzatore visivo unificato che risolve il compromesso tra comprensione e generazione sovrapponendo distillazione adattiva e un decoder a flusso di pixel per ottenere prestazioni superiori in entrambi i domini.
Il paper introduce un innovativo framework di training a due stadi che, attraverso un pre-addestramento auto-supervisionato, permette di addestrare modelli generativi direttamente nello spazio dei pixel con prestazioni superiori rispetto alle controparti nello spazio latente, ottenendo risultati all'avanguardia su ImageNet senza l'uso di VAE pre-addestrati.
Il paper presenta Fly-CL, un framework bio-ispirato al sistema olfattivo della mosca che risolve il problema della multicollinearità nell'apprendimento continuo basato su modelli preaddestrati, garantendo tempi di addestramento ridotti e prestazioni competitive.
Il paper introduce Mono4DGS-HDR, il primo sistema in grado di ricostruire scene 4D ad alto intervallo dinamico (HDR) da video monoculari a bassa esposizione con esposizioni alternate, utilizzando un approccio a due stadi basato su Gaussian Splatting che apprende una rappresentazione ortografica iniziale per poi affinarla nello spazio mondiale senza richiedere pose camera note.
Il paper introduce LightMem, un sistema di memoria leggero ed efficiente ispirato al modello di memoria umana di Atkinson-Shiffrin che, organizzando le informazioni in tre stadi (sensoriale, a breve termine e a lungo termine con aggiornamenti offline), migliora significativamente l'accuratezza delle domande e riduce drasticamente l'uso di token e chiamate API rispetto ai metodi esistenti.
Il paper presenta BioCAP, un modello fondazionale biologico che supera le limitazioni della mancanza di descrizioni testuali reali generando didascalie sintetiche accurate tramite modelli linguistici multimodali, migliorando così l'allineamento tra immagini e testo per compiti come la classificazione delle specie e il recupero immagine-testo.
VoMP è un metodo feed-forward che prevede campi volumetrici di proprietà meccaniche (modulo di Young, rapporto di Poisson e densità) per oggetti 3D, garantendo la validità fisica dei materiali attraverso un addestramento su un dataset reale e superando le tecniche precedenti in accuratezza e velocità.
Il paper introduce Concerto, un metodo di apprendimento auto-supervisionato congiunto 2D-3D che, ispirandosi alla sinergia multisensoriale umana, supera le prestazioni degli stati dell'arte esistenti nella percezione delle scene 3D e abilita la percezione in mondi aperti attraverso rappresentazioni spaziali coerenti e semanticamente ricche.
Il paper presenta ProMoE, un framework Mixture-of-Experts con una guida di routing esplicita a due fasi che risolve le sfide dell'eterogeneità funzionale e della ridondanza spaziale nei token visivi, permettendo ai Diffusion Transformers di scalare in modo più efficace rispetto agli stati dell'arte su ImageNet.
Il paper presenta "Brain-IT", un approccio basato su un Transformer di Interazione Cerebrale che ricostruisce fedelmente le immagini viste dai soggetti a partire da dati fMRI, superando gli stati dell'arte attuali e permettendo risultati comparabili con soli un'ora di registrazione cerebrale.
Questo lavoro propone un metodo innovativo che genera video di volti parlanti ad alta risoluzione esclusivamente da un singolo input audio, superando i limiti delle tecniche esistenti grazie a un modello di diffusione guidato da prior statistici e a un modulo di raffinamento regionale per migliorare la sincronizzazione labiale e i dettagli.
Il paper presenta ThinkMorph, un modello unificato che, grazie all'addestramento su tracce di ragionamento intercalate testo-immagine, dimostra proprietà emergenti di intelligenza multimodale e supera le prestazioni di modelli proprietari su benchmark visivi.
Questo studio dimostra che la segmentazione di immagini mediche segue una legge di scala limitata dalla geometria anatomica, dove l'uso di aumentazioni topologicamente consapevoli migliora l'efficienza dei dati riducendo l'errore senza alterare la struttura fondamentale della legge di scala.
Il paper presenta VeCoR, un metodo di regolarizzazione contrastiva per il Flow Matching che migliora la stabilità e la qualità delle immagini introducendo un meccanismo di attrazione e repulsione per guidare il campo di velocità sia verso direzioni corrette che lontano da quelle errate, ottenendo significativi miglioramenti nei modelli generativi leggeri e a pochi step.
Il paper presenta UltraViCo, un metodo gratuito e plug-and-play che risolve i limiti di estrapolazione nei trasformatori di diffusione video sopprimendo la dispersione dell'attenzione per i token oltre la finestra di addestramento, permettendo così di raddoppiare il limite di estrapolazione fino a 4 volte la lunghezza originale con significativi miglioramenti nella qualità e nella coerenza del video.
Il paper presenta ReSAM, un framework di segmentazione auto-prompting basato su annotazioni puntuali che adatta il Segment Anything Model alle immagini di telerilevamento attraverso un ciclo iterativo di raffinamento, riquery e rinforzo, ottenendo prestazioni superiori rispetto ai metodi esistenti su diversi dataset di benchmark.
Il paper presenta InnoGym, il primo benchmark e framework progettato per valutare sistematicamente il potenziale innovativo degli agenti AI attraverso metriche di guadagno prestazionale e novità, rivelando un divario critico tra creatività e robustezza nelle soluzioni generate.
AdaptVision è un paradigma efficiente per i modelli visione-linguaggio che, ispirandosi alla visione attiva umana e utilizzando un framework di apprendimento per rinforzo con ottimizzazione della politica disaccoppiata (DTPO), determina autonomamente il numero minimo di token visivi necessari per ogni campione attraverso un approccio a grana grossa-fine che combina token compressi e l'acquisizione selettiva di regioni chiave.
Il paper propone FARL, un nuovo framework che migliora la generalizzazione a pochi esempi nei modelli visione-linguaggio disaccoppiando esplicitamente le rappresentazioni visive in caratteristiche strutturali e stilistiche tramite analisi di Fourier e un meccanismo di attenzione incrociata.
Questo studio presenta un approccio di apprendimento profondo non supervisionato basato su un autoencoder variazionale leggero, integrato con immagini satellitari Planet Labs ad alta risoluzione, che consente il rilevamento quasi in tempo reale delle aree colpite da incendi legati al conflitto in Sudan, superando le prestazioni dei metodi tradizionali.