7455 articoli
Questo lavoro propone un framework di apprendimento per il ripristino HDR in imaging modulo che, integrando una regolarizzazione scale-equivariante e una strategia di elevazione delle caratteristiche, risolve le ambiguità tra bordi naturali e discontinuità di avvolgimento, ottenendo prestazioni all'avanguardia.
Il paper presenta CityGenAgent, un framework guidato dal linguaggio naturale che utilizza un approccio procedurale gerarchico e una strategia di apprendimento in due fasi (SFT e RL) per generare città 3D interattive di alta qualità, garantendo coerenza strutturale e facilitando l'editing semantico.
Il paper introduce "Erase at the Core" (EC), un framework agnostico al modello che risolve il problema della "dimenticanza superficiale" applicando l'apprendimento contrastivo e supervisionato a tutti i livelli della rete per garantire la cancellazione effettiva delle informazioni sia a livello di logit che di rappresentazioni interne.
PixelRush è un framework di generazione di immagini ad alta risoluzione privo di addestramento che, sfruttando un'innovativa strategia di blending e iniezione di rumore, produce immagini 4K in circa 20 secondi, offrendo un'accelerazione da 10 a 35 volte superiore rispetto ai metodi attuali mantenendo un'elevata fedeltà visiva.
Il paper propone MAILS, un nuovo framework di relocalizzazione LiDAR senza mappa per UAV che migliora la precisione e la robustezza in scenari di volo reali attraverso l'uso di moduli di attenzione specifici e un nuovo dataset su larga scala.
Il paper presenta COOPERTRIM, un framework adattivo per la percezione cooperativa che riduce drasticamente l'uso della banda sfruttando la continuità temporale e una metrica di incertezza conformale per selezionare dinamicamente le feature rilevanti, mantenendo al contempo prestazioni di accuratezza comparabili.
Il paper presenta Diff-Aid, un metodo leggero e adattivo eseguito durante l'inferenza che migliora l'aderenza ai prompt e la qualità visiva nei modelli di generazione testo-immine rettificati regolando dinamicamente le interazioni tra token testuali e immagini attraverso i blocchi del transformer e le fasi di denoising.
Il paper presenta SceneTok, un innovativo tokenizzatore che codifica le scene 3D in un insieme compresso e permutazionalmente invariato di token non strutturati, permettendo una ricostruzione di alta qualità, un rendering da nuove prospettive e una generazione efficiente di scene in pochi secondi, superando le limitazioni delle rappresentazioni spaziali tradizionali.
Il paper propone un nuovo framework di distillazione dei dataset multimodali privo di apprendimento che, sfruttando CLIP per l'estrazione di embedding e un decodificatore unCLIP per la sintesi di immagini guidate da prototipi, supera i metodi esistenti garantendo una generalizzazione superiore tra diverse architetture senza richiedere costosi processi di ottimizzazione.
Il paper introduce One2Scene, un framework innovativo che genera scene 3D esplorabili e geometricamente coerenti partendo da una singola immagine, decomponendo il problema in tre fasi chiave: generazione di viste panoramiche, costruzione di un'impalcatura 3D esplicita tramite Gaussian Splatting e generazione di nuove viste fotorealistiche, superando così le distorsioni geometriche tipiche dei metodi esistenti.
Questo lavoro dimostra che l'addestramento al momento del test (TTT) con binding KV non è un processo di memorizzazione, ma può essere riformulato come un operatore di attenzione lineare appresa, offrendo semplificazioni architetturali e miglioramenti nell'efficienza.
Il paper propone FedVG, un nuovo framework di aggregazione per l'Apprendimento Federato che utilizza un set di validazione globale e le norme dei gradienti per guidare l'ottimizzazione, mitigando efficacemente il drift dei client e migliorando le prestazioni in scenari di dati eterogenei.
Il paper presenta FlowFixer, un framework di raffinamento per la generazione guidata da soggetto che ripristina i dettagli persi durante il processo di generazione tramite una traduzione diretta da immagine a immagine e un nuovo schema di addestramento auto-supervisionato, superando gli stati dell'arte nel preservare l'alta fedeltà visiva.
Il paper introduce PhysicEdit, un nuovo framework open-source che supera i limiti delle attuali tecniche di editing immagini statiche integrando un meccanismo di ragionamento duale e un dataset su larga scala per garantire risultati fisicamente plausibili in scenari dinamici complessi.
Il paper presenta SemVideo, un nuovo framework che ricostruisce video da attività cerebrale fMRI utilizzando una guida semantica gerarchica per risolvere i problemi di coerenza temporale e allineamento degli oggetti presenti nelle metodologie attuali.
Il paper propone il modello Association DETR, che supera le prestazioni degli attuali rilevatori di oggetti come YOLO e RT-DETR sul dataset COCO val2017 integrando efficacemente le informazioni contestuali dello sfondo, finora trascurate.
Il paper presenta la GFRRN, una rete per la rimozione dei riflessi da singole immagini che risolve le lacune semantiche e le inconsistenze delle etichette tramite tecniche di fine-tuning efficiente, un generatore di etichette unificato e nuovi meccanismi di attenzione basati sulla frequenza e agenti dinamici, ottenendo prestazioni superiori allo stato dell'arte.
Il paper presenta SPATIALALIGN, un framework di auto-miglioramento che potenzia i modelli di generazione video da testo per allinearsi accuratamente alle relazioni spaziali dinamiche specificate nei prompt, utilizzando una nuova metrica geometrica chiamata DSR-SCORE e un processo di ottimizzazione diretto basato su preferenze.
Il paper propone WARM-CAT, un approccio innovativo per l'Apprendimento Zero-Shot Compositivo che accumula conoscenza multimodale e adatta dinamicamente i prototipi durante il test tramite una coda di priorità riscaldata, ottenendo prestazioni all'avanguardia su nuovi e raffinati dataset di benchmark.
Questo lavoro presenta il primo framework per la soppressione di eventi basata sul movimento, un'architettura leggera in tempo reale che segmenta e prevede anticipatamente il moto degli oggetti e della telecamera per filtrare gli eventi dinamici, migliorando significativamente l'accuratezza della segmentazione e le prestazioni delle applicazioni di visione a valle come l'inferenza dei Transformer e la odometria visiva.