7386 articoli
Il paper presenta D-REX, un motore differenziabile real-to-sim-to-real che utilizza il Gaussian Splatting per identificare automaticamente la massa degli oggetti da osservazioni reali e trasferire dimostrazioni umane in simulazione, permettendo così l'addestramento di politiche di presa dattilica robuste e riducendo il divario tra simulazione e realtà.
GRAD-Former è un nuovo framework per il rilevamento dei cambiamenti nelle immagini satellitari che, integrando meccanismi di attenzione differenziale e gate per migliorare l'efficienza e la precisione, supera le prestazioni degli attuali modelli più avanzati su diversi dataset utilizzando un numero inferiore di parametri.
Il paper presenta BeautyGRPO, un framework di reinforcement learning che risolve il compromesso tra fedeltà e preferenze estetiche nel ritocco facciale attraverso il dataset FRPref-10K, un modello di reward specializzato e una guida dinamica del percorso (DPG) che stabilizza l'esplorazione stocastica per garantire risultati di alta qualità e allineati al gusto umano.
Il paper presenta FREE-Edit, un framework zero-shot basato su modelli Rectified Flow che utilizza un metodo di iniezione "Editing-aware" (REE) per modulare dinamicamente l'intensità dell'iniezione delle caratteristiche in base alle aree modificate, permettendo così un'editing video guidato da immagini di alta qualità senza necessità di addestramento.
Il paper presenta TripleSumm, un nuovo approccio che fonde in modo adattivo le modalità visiva, testuale e audio per la sintesi video, accompagnato da MoSu, il primo benchmark su larga scala che fornisce tutte e tre le modalità, con risultati che superano lo stato dell'arte su quattro dataset.
Il paper presenta VP-Hype, un nuovo framework ibrido che combina modelli Mamba e Transformer con prompt visivi e testuali per classificare immagini iperspettrali con elevata precisione anche in condizioni di scarsità di dati etichettati.
Il paper presenta RnG, un Transformer feed-forward unificato che combina ricostruzione e generazione per inferire una rappresentazione 3D implicita e completa da osservazioni parziali, permettendo il rendering in tempo reale di nuove viste con geometrie coerenti sia visibili che invisibili.
Il paper propone VisNec, un framework di selezione dei dati che misura la "necessità visiva" per identificare e filtrare i campioni ridondanti o non allineati, permettendo di addestrare modelli multimodali in modo più efficiente e robusto utilizzando solo una frazione dei dati originali senza compromettere le prestazioni.
Il paper propone CoSMo3D, un metodo che supera le fragilità della segmentazione semantica 3D aperta utilizzando un modello spaziale canonico guidato da LLM per allineare le parti degli oggetti in un riferimento funzionale stabile, ottenendo così nuove prestazioni all'avanguardia.
Questo lavoro presenta un modello di Vision-Language Model (VLM) finetunato che, partendo da immagini monococulari e comandi linguistici, stima con precisione la posizione 3D degli oggetti per migliorare l'interazione uomo-robot, raggiungendo un errore mediano di 13 mm.
Questo articolo presenta SafeEditBench, un nuovo benchmark per valutare la generalizzazione delle politiche di sicurezza nelle immagini, e SafeGuard-VL, un metodo basato sull'apprendimento per rinforzo con ricompense verificabili che permette ai modelli visione-linguaggio di adattarsi dinamicamente a politiche di sicurezza in evoluzione senza perdere le capacità generali.
Il paper "AgilePruner" presenta un'analisi empirica che evidenzia i limiti dei metodi di pruning basati su attenzione e diversità nei Large Vision-Language Models, proponendo un meccanismo adattivo che combina dinamicamente queste strategie in base alla complessità dell'immagine per migliorare le prestazioni e ridurre le allucinazioni.
Il Challenge MAMA-MIA ha introdotto un benchmark su larga scala per valutare la generalizzabilità e l'equità dei modelli di intelligenza artificiale nella segmentazione dei tumori al seno e nella previsione della risposta terapeutica, utilizzando dati multicentrici statunitensi ed europei per evidenziare le disparità di performance tra diversi sottogruppi demografici.
Questo lavoro propone un metodo che integra una modalità di imaging complementare (come la tomografia a raggi X) per guidare i modelli di diffusione senza necessità di riaddestramento, migliorando significativamente la qualità delle ricostruzioni nella tomografia computerizzata a neutroni con dati sparsi.
Questo lavoro presenta un quadro unificato che sintetizza i grafi fattoriali e gli stimatori certificabili, dimostrando come la preservazione della struttura dei grafi durante le trasformazioni di rilassamento convesso permetta di implementare ottimizzazioni globalmente ottimali utilizzando le stesse librerie e flussi di lavoro maturi già diffusi nella robotica e nella visione artificiale.
Il paper presenta FoSS, un nuovo framework a due rami che integra l'analisi nel dominio della frequenza con modelli a spazio di stato selettivi per prevedere le traiettorie dei veicoli autonomi con alta precisione e incertezza multimodale, riducendo al contempo significativamente la complessità computazionale e i parametri rispetto alle architetture esistenti.
Questo lavoro propone un framework di apprendimento multi-task per l'analisi ecografica del seno che supera le limitazioni delle approcci convenzionali attraverso un'interazione bidirezionale a più livelli tra i decoder e un meccanismo di coordinamento adattivo basato sull'incertezza, ottenendo prestazioni superiori nella segmentazione delle lesioni e nella classificazione dei tessuti.
Questo studio dimostra che l'apprendimento per rinforzo (RL) migliora l'efficienza del campionamento e l'accuratezza dei modelli visione-linguaggio medici solo quando il fine-tuning supervisionato (SFT) ha già stabilito una solida base di supporto, proponendo di conseguenza una strategia di addestramento che combina SFT e RL per ottenere prestazioni superiori su diversi benchmark medici.
Il paper presenta AG-VAS, un nuovo framework che utilizza modelli multimodali su larga scala potenziati da token di ancoraggio semantico e un modulo di allineamento semantico-pixel per ottenere prestazioni all'avanguardia nella segmentazione zero-shot di anomalie visive in ambito industriale e medico.
Questo studio confronta i metodi di apprendimento supervisionato con quelli a vocabolario aperto per la comprensione visiva post-disastro, concludendo che, nonostante i vantaggi dei modelli fondazionali, l'addestramento supervisionato rimane l'approccio più affidabile per la segmentazione semantica e il rilevamento di oggetti in scenari complessi e affollati.