7161 articoli
Il paper introduce RAISE, un framework di raffinamento evolutivo senza addestramento che adatta dinamicamente lo sforzo computazionale alla complessità del prompt durante l'inferenza, ottenendo un allineamento testo-immagine superiore con un minor numero di campioni generati e chiamate a modelli linguistici rispetto alle tecniche esistenti.
Il paper propone che una strategia di raggruppamento casuale dei token visivi, soddisfacendo condizioni chiave come l'informazione posizionale e la diversità delle teste, sia superiore e più semplice rispetto alle complesse strategie di raggruppamento progettate manualmente per i Transformer visivi.
Il paper presenta ArtiFixer, un metodo a due stadi che utilizza un modello generativo bidirezionale addestrato con una strategia di mixing dell'opacità e successivamente distillato in un modello causale auto-regressivo per correggere gli artefatti e migliorare la ricostruzione 3D in aree non osservate, superando significativamente le prestazioni degli approcci esistenti.
Il paper propone COG, un framework non supervisionato per la stima della posa di oggetti nuovi da una singola vista di riferimento, che risolve le sfide delle corrispondenze cross-view formulando il problema come un trasporto ottimo consapevole della confidenza per generare corrispondenze soft bilanciate e sopprimere le regioni non sovrapposte.
Il paper presenta M, un framework senza addestramento che potenzia gli agenti web a lungo termine attraverso un meccanismo di memoria duale basato sulla sintesi dinamica delle traiettorie e sul recupero di intuizioni, migliorando significativamente il successo e l'efficienza computazionale.
Il paper propone HiClass, un framework di classificazione gerarchica basato sull'apprendimento multi-istanza che, integrando bidirezionalmente le rappresentazioni delle caratteristiche e utilizzando funzioni di perdita specifiche, migliora l'analisi delle immagini istopatologiche intere (WSI) catturando efficacemente sia le caratteristiche a grana grossa che a grana fine.
Questo lavoro introduce EmbedLens per dimostrare che i token visivi nei modelli multimodali sono caratterizzati da una marcata sparsità semantica, dove solo una frazione "viva" trasporta informazioni significative, rendendo superfluo il calcolo visivo interno e suggerendo che l'iniezione diretta negli strati intermedi dell'LLM è sufficiente per le prestazioni ottimali.
Il paper propone MMA-RAG, un sistema di generazione aumentata dal recupero multimodale che utilizza l'apprendimento delle rappresentazioni interne per adattare dinamicamente l'uso di conoscenze esterne, riducendo le allucinazioni e migliorando l'affidabilità nelle risposte ai quesiti visivi.
Il paper introduce MLLM-4D, un framework che supera le limitazioni attuali dei modelli linguistici multimodali nella comprensione spaziotemporale 4D, utilizzando una pipeline di curatela dati efficiente e una strategia di post-training basata su SFT e RFT con Chain of Thought specializzati per ottenere risultati all'avanguardia partendo da input video 2D.
Il paper introduce Vision-TTT, un nuovo modello di apprendimento visivo che integra la Test-Time Training per ottenere rappresentazioni efficienti ed espressive con complessità lineare, superando i limiti computazionali dei Transformer visivi tradizionali e ottenendo prestazioni superiori su ImageNet e altre attività a valle.
Jano è un framework senza addestramento che accelera la generazione di modelli di diffusione adattando dinamicamente l'allocazione delle risorse computazionali in base ai pattern di convergenza eterogenei delle diverse regioni dell'immagine, ottenendo un aumento di velocità fino a 2,4 volte senza compromettere la qualità.
Il paper presenta Mesh-Pro, un nuovo framework di apprendimento per rinforzo asincrono basato sull'ottimizzazione della preferenza di ranking guidata dal vantaggio (ARPO) che, combinando una tokenizzazione ibrida triangolare-quadrangolare e un premio basato sui raggi, migliora significativamente l'efficienza di addestramento e la qualità nella generazione di mesh quadrangolari in stile artistico.
Il paper propone TP-Spikformer, un metodo di potatura dei token per trasformatori spiking che riduce l'overhead computazionale e di archiviazione mantenendo prestazioni competitive attraverso un criterio euristico di conservazione delle informazioni e una strategia di arresto anticipato a livello di blocco, risultando efficace e scalabile su diverse architetture e compiti senza necessità di riaddestramento.
Il paper presenta CaptionFool, un attacco avversario universale in grado di manipolare i modelli di descrizione delle immagini più avanzati modificando solo l'1,2% dei patch dell'immagine per generare descrizioni arbitrarie, inclusi contenuti offensivi e termini gergali progettati per eludere i filtri di moderazione.
Il paper presenta RAFM, un metodo di traduzione non accoppiata da CBCT a CT che integra il flusso rettificato con un meccanismo di recupero guidato da un encoder DINOv3 e una banca di memoria globale per generare immagini CT sintetiche di alta qualità, superando le limitazioni dei dati non accoppiati e ottenendo risultati superiori rispetto agli stati dell'arte nel dataset SynthRAD2023.
Questo studio presenta il MIMD-3DVT, un nuovo metodo basato su Vision Transformer 3D che integra dati di risonanza magnetica multi-ROI e informazioni cliniche e demografiche per classificare l'Alzheimer con un'accuratezza del 97,14%, superando i metodi esistenti.
Questo lavoro introduce M-JudgeBench, un benchmark orientato alle capacità per valutare i modelli giudici multimodali, e Judge-MCTS, un framework di generazione dati basato su MCTS per addestrare modelli giudici più robusti e affidabili.
Il paper propone LAS-VAD, un nuovo framework per il rilevamento di anomalie video con supervisione debole che integra un meccanismo di componenti connesse, un'attenzione all'intenzione e informazioni sugli attributi per superare le limitazioni delle annotazioni a livello di video e migliorare le prestazioni su dataset come XD-Violence e UCF-Crime.
Il paper presenta "Geometry OR Tracker", un sistema in due fasi che corregge le imprecisioni di calibrazione delle telecamere in sala operatoria per garantire una coerenza geometrica globale, migliorando significativamente l'accuratezza del tracciamento 3D e riducendo le discrepanze di profondità rispetto ai metodi tradizionali.
Il paper presenta MIDAS, un framework di jailbreak multimodale che elude i meccanismi di sicurezza dei Modelli Linguistici Multimodali (MLLM) suddividendo le intenzioni dannose in sottounità distribuite su più immagini e ricostruendole tramite ragionamento incrociato, ottenendo un tasso di successo medio del 81,46% su modelli commerciali chiusi.