7453 articoli
Il paper propone un nuovo framework semi-supervisionato per la rilevazione di anomalie video che sfrutta le descrizioni testuali di attività e interazioni generate da Modelli Linguistici Multimodali (MLLM) per migliorare sia l'efficacia nel rilevare anomalie complesse sia l'interpretabilità dei risultati.
Questo tutorial offre una panoramica completa sulla 3D Gaussian Splatting, illustrandone i principi teorici, le limitazioni attuali e le strategie di ottimizzazione, per poi esaminarne le applicazioni pratiche nella ricostruzione di superfici, nella modellazione di avatar e nella generazione di contenuti.
Il paper propone "Speculative Verdict" (SV), un framework senza addestramento che combina piccoli modelli VLM come esperti di bozza per generare percorsi di ragionamento diversificati con un modello di verdetto forte che sintetizza le risposte, migliorando così l'accuratezza e l'efficienza nel ragionamento visivo su immagini ad alta densità informativa.
Il paper propone TokenCLIP, un framework di apprendimento adattivo a livello di token che risolve i limiti dell'allineamento indifferenziato nelle rilevazioni di anomalie zero-shot mappando dinamicamente ogni token visivo su sottospazi testuali ortogonali specifici tramite un problema di trasporto ottimo, migliorando così la capacità del modello di catturare semantica di anomalie fine-grained.
Il paper presenta MMSD3.0, un nuovo benchmark composto esclusivamente da campioni multi-immagine per il rilevamento del sarcasmo multimodale, accompagnato dal modello CIRM che ottiene prestazioni all'avanguardia grazie a una modellazione incrociata delle immagini e a una fusione multimodale guidata dalla rilevanza.
Il paper propone COLA, un framework basato sul trasporto ottimo e privo di addestramento che migliora la robustezza dei modelli CLIP agli attacchi avversari allineando le rappresentazioni visive e testuali attraverso una proiezione sottomatrice e una regolarizzazione strutturale, ottenendo significativi guadagni di accuratezza su 14 benchmark senza compromettere le prestazioni su campioni puliti.
Questo lavoro propone l'Aggregazione Attenta delle Caratteristiche (AFA), un meccanismo di pooling leggero che permette alle politiche visuomotorie di ignorare le distrazioni visive e concentrarsi sui segnali rilevanti per il compito, migliorando significativamente la robustezza rispetto ai cambiamenti visivi senza richiedere costose aumentazioni dei dati o riaddestramento dei modelli pre-addestrati.
Questo lavoro propone un framework di campionamento non IID per i modelli di Flow Matching che combina una regolarizzazione basata sul punteggio per garantire diversità e qualità dei campioni con una tecnica di ponderazione per importanza per ottenere stime non distorte delle aspettative.
Questo studio dimostra che, per la classificazione dei tumori cerebrali in MRI con dati limitati, le architetture CNN pre-addestrate su dataset generali di grandi dimensioni (in particolare ConvNeXt-Tiny) superano le prestazioni di un modello pre-addestrato su dati medici specifici (RadImageNet DenseNet121), sfatando il mito che il pre-addestramento dominio-specifico garantisca sempre risultati migliori.
Il paper introduce Q-Save, un benchmark olistico e un modello unificato che valutano simultaneamente la qualità visiva, dinamica e l'allineamento testo-video dei contenuti generati dall'IA, fornendo sia un punteggio di qualità che spiegazioni attributive dettagliate.
Il paper presenta SocialNav, un modello fondazionale per la navigazione embodied socialmente consapevole che, grazie a un nuovo dataset su larga scala e a una pipeline di addestramento ibrida che combina apprendimento per imitazione con un innovativo framework di reinforcement learning (SAFE-GRPO), supera significativamente gli stati dell'arte sia in termini di successo nella navigazione che di conformità alle norme sociali.
Il paper presenta SpecTemp, un framework di ragionamento temporale speculativo basato sul reinforcement learning che, attraverso una progettazione cooperativa a doppio modello e un nuovo dataset, risolve i colli di bottiglia di efficienza nell'interpretazione di video lunghi mantenendo un'alta accuratezza.
Il paper propone TARDis, un innovativo framework consapevole della fisica che, disaccoppiando le componenti anatomiche statiche da quelle emodinamiche dinamiche, risolve efficacemente il problema della segmentazione e classificazione dei tumori in scansioni TC con fasi di contrasto incomplete, garantendo prestazioni diagnostiche robuste anche in scenari di dati estremamente scarsi.
Questo lavoro propone un metodo di rilevamento auto-supervisionato per immagini generate dall'IA che sfrutta i metadati EXIF delle fotocamere per apprendere caratteristiche intrinseche della fotografia digitale, ottenendo una generalizzazione superiore e una maggiore robustezza rispetto agli approcci esistenti.
Il paper introduce FRIEDA, un benchmark progettato per valutare la capacità di ragionamento cartografico multi-step dei modelli visione-linguaggio, evidenziando attraverso l'analisi di undici modelli avanzati un significativo divario tra le prestazioni attuali e quelle umane nella comprensione delle relazioni spaziali complesse.
Il paper presenta SHARP, un metodo che genera in meno di un secondo una rappresentazione 3D metrica fotorealistica da una singola immagine, consentendo la sintesi di nuove viste con prestazioni superiori allo stato dell'arte e una generalizzazione zero-shot.
Questo lavoro propone un nuovo framework per la ricostruzione 3D basato su eventi che, decoupling il rendering geometrico e radiometrico tramite ray tracing, supera i compromessi tra accuratezza e risoluzione temporale ottenendo risultati all'avanguardia senza necessità di inizializzazioni preliminari.
Il paper presenta ColaVLA, un framework unificato visione-linguaggio-azione che supera le limitazioni dei pianificatori basati su VLM trasferendo il ragionamento cognitivo in uno spazio latente compatto e utilizzando un decoder gerarchico parallelo per generare traiettorie sicure ed efficienti in tempo reale, ottenendo risultati state-of-the-art sul benchmark nuScenes.
Questo lavoro introduce WMReward, un metodo di allineamento a tempo di inferenza che sfrutta i modelli latenti del mondo come reward per guidare la generazione video verso una maggiore coerenza fisica, ottenendo risultati all'avanguardia nel challenge PhysicsIQ di ICCV 2025.
Il paper propone CPiRi, un framework innovativo per la previsione di serie temporali multivariata che, combinando un'architettura di decoupling spaziotemporale con una strategia di regolarizzazione per invarianza alla permutazione, supera i limiti dei modelli dipendenti o indipendenti dai canali garantendo prestazioni all'avanguardia, efficienza e una forte capacità di generalizzazione anche in scenari con riordinamento o aggiunta di canali senza necessità di riaddestramento.