7209 articoli
Il paper propone DASP, un nuovo framework di adattamento test-time multimodale che risolve i problemi di trasferimento negativo e oblio catastrofico decoupling stabilità e plasticità attraverso una strategia asimmetrica basata sulla ridondanza interdimensionale delle modalità.
Il paper introduce MicroVerse, un modello di generazione video specializzato nella simulazione di fenomeni microscopici, supportato dal benchmark MicroWorldBench e dal dataset MicroSim-10K per superare le attuali limitazioni nella fedeltà scientifica e nella coerenza temporale.
Il paper introduce LangGap, un benchmark progettato per rivelare e misurare l'incapacità dei modelli Vision-Language-Action di comprendere istruzioni linguistiche diverse, dimostrando che l'attuale capacità di apprendimento è insufficiente per gestire la diversità semantica nonostante i miglioramenti ottenuti tramite augmentation dei dati.
Il paper presenta UNICBench, il primo benchmark unificato e multimodale per valutare la capacità di conteggio dei modelli linguistici su larga scala (MLLM) attraverso immagini, documenti e audio, rivelando significativi margini di miglioramento nelle attività di ragionamento complesso nonostante le buone prestazioni sui compiti di base.
Questo lavoro presenta un nuovo benchmark data-centric, un dataset pubblico e due tecniche innovative basate su incertezza del modello, coerenza delle previsioni e analisi delle rappresentazioni per stimare, quantificare e classificare il rumore nelle etichette della segmentazione semantica di immagini di telerilevamento, superando le prestazioni dei metodi esistenti.
Il paper presenta IdGlow, un framework innovativo senza maschere basato su Flow Matching e ottimizzato tramite DPO, che risolve il dilemma stabilità-plasticità nella generazione multi-soggetto garantendo un equilibrio superiore tra fedeltà identitaria e armonia estetica, anche in scenari complessi come la trasformazione dell'età.
Il paper presenta CodeAlign, un framework innovativo che risolve l'isolamento modale nella percezione collaborativa eterogenea allineando le modalità tramite una traduzione feature-code-feature senza richiedere dati di addestramento con co-occorrenza, ottenendo prestazioni all'avanguardia con un costo computazionale e di comunicazione drasticamente ridotti.
Questo lavoro introduce il primo dataset dinamico ad alta qualità (DynaSpec), un nuovo modello di ricostruzione basato su transformer (PG-SVRT) e un benchmark completo per superare le limitazioni temporali e spettrali delle attuali tecniche di imaging compresso spettrale, passando da una ricostruzione immagine per immagine a una ricostruzione video coerente.
Questo lavoro propone un metodo innovativo per la potatura dei dataset 3D che affronta le sfide poste dalle distribuzioni a coda lunga, formulando il problema come un'approssimazione del rischio atteso e introducendo una selezione di sottoinsiemi consapevole della rappresentazione e una supervisione invariante rispetto alle prior per migliorare simultaneamente l'accuratezza complessiva e quella media.
Il lavoro introduce RC-GeoCP, il primo framework per la percezione collaborativa che fonde radar 4D e immagini attraverso un consenso geometrico radare-ancorato, migliorando l'accuratezza e riducendo il carico di comunicazione rispetto ai metodi esistenti.
Il paper propone SCVM, un framework di visione modulare cross-layer che utilizza uno stato di memoria ricorsivo e un meccanismo di feedback per controllare l'evoluzione delle rappresentazioni visive, migliorando le prestazioni dei modelli multimodali senza richiedere token aggiuntivi o il fine-tuning del modello linguistico.
Il paper presenta HistoSelect, un framework di recupero guidato dalle domande che imita l'approccio umano dei patologi selezionando in modo efficiente solo le regioni tissutali e le patch più informative all'interno delle immagini intere di vetrino, migliorando così l'accuratezza e riducendo significativamente l'uso di token visivi nelle domande e risposte di patologia computazionale.
Questo lavoro propone un nuovo framework basato su una rete U-Net a doppio canale in k-spazio che ricostruisce direttamente immagini ad alta risoluzione da dati k-spazio sottocampionati di risonanza magnetica a basso campo, superando le prestazioni dei metodi tradizionali basati sul dominio spaziale.
Il paper propone il framework MoLRE (Mixture of Low-Rank Experts), una tecnica di adattamento efficiente dei parametri che combina adattatori a basso rango specializzati e routing morbido non supervisionato per migliorare significativamente le prestazioni di diversi modelli fondazione nell'analisi diagnostica completa delle TAC craniche, dimostrando che la combinazione di MoLRE con il modello MedGemma raggiunge la migliore accuratezza rilevata.
Il paper propone CoLC, un framework di percezione collaborativa efficiente nelle comunicazioni che utilizza il completamento LiDAR e tecniche di campionamento intelligente per ripristinare la completezza della scena e migliorare la fusione precoce dei dati nonostante la trasmissione sparsa.
Il lavoro propone SCOUT, un metodo di ricostruzione per la tomografia computerizzata spettrale che, sfruttando la similarità spaziale non locale e le proprietà coniugate del dominio di proiezione per generare dati pseudo-3D in un regime di auto-supervisione senza dati esterni, ottiene risultati ad alta fedeltà in tempi ridotti mitigando gli artefatti e recuperando i dettagli anche in condizioni di dati ultra-bassi.
Il paper presenta STMI, un nuovo framework per il Re-Identification multi-modale che combina una modulazione delle feature guidata dalla segmentazione, una riallocazione adattiva dei token e un'interazione ipergrafica cross-modale per migliorare l'estrazione di rappresentazioni discriminative riducendo il rumore di fondo.
TokenSplat è un framework feed-forward che esegue la ricostruzione 3D e la stima della posa camera da immagini multi-vista non posizionate, sfruttando un modulo di previsione allineata ai token e un decoder asimmetrico per garantire una sintesi di nuove viste di alta qualità e una stima della posa precisa senza necessità di affinamento iterativo.
Il paper propone il framework UKTR, che utilizza una tecnica di selezione adattiva delle caratteristiche consapevole della modalità (MAFS) per superare le sfide del riconoscimento del testo khmer in diverse modalità, ottenendo prestazioni all'avanguardia e rilasciando il primo benchmark completo per la comunità.
Questo articolo presenta il primo studio completo sulla rilevazione del layout di documenti khmer in ambiente reale, introducendo un nuovo dataset, uno strumento di aumento dei dati open-source e modelli basati su YOLO con bounding box orientati per superare le sfide specifiche della scrittura khmer e la scarsità di dati annotati.