7459 articoli
Il paper introduce HDFLIM, un framework che allinea modelli di linguaggio e visione preaddestrati e congelati in uno spazio iperdimensionale tramite operazioni simboliche leggere, permettendo la generazione di didascalie immagini efficienti e semanticamente solide senza necessità di un addestramento multimodale intensivo.
Il paper presenta un algoritmo di riduzione dimensionale incrementale che, elaborando i dati in batch e aggiornando dinamicamente la decomposizione ai valori singolari, permette di accelerare l'addestramento di modelli di rilevamento di anomalie visive su grandi dataset mantenendo un'accuratezza elevata.
Questo articolo esamina come la Realtà Estesa (XR) stia rivoluzionando l'istruzione attraverso ambienti di apprendimento immersivi, analizzando al contempo le sfide legate ai costi, alla complessità tecnica e alla protezione dei dati, e sottolineando la necessità di bilanciare l'innovazione con l'accessibilità e l'etica.
Questo articolo presenta Eva-3M, un vasto dataset egocentrico con annotazioni di visibilità delle articolazioni, e propone EvaPose, un nuovo metodo che sfrutta tali informazioni per migliorare l'accuratezza della stima della posa umana in contesti di realtà virtuale e aumentata.
Il paper introduce DLEBench, il primo benchmark dedicato alla valutazione della capacità dei modelli di editing delle immagini basati su istruzioni di modificare oggetti su piccola scala, proponendo un nuovo protocollo di valutazione e rivelando significative lacune nelle prestazioni attuali.
Il paper presenta BuildAnyPoint, un nuovo framework generativo che utilizza un modello di diffusione e un trasformatore autoregressivo per ricostruire strutture 3D di edifici a partire da nuvole di punti sparse o rumorose, ottenendo mesh compatte con prestazioni superiori rispetto ai metodi precedenti.
Questo lavoro propone il Semantically Decoupled Latent Steering (SDLS), un framework di controllo a tempo di inferenza privo di addestramento che, mediante decomposizione semantica guidata da LLM e ortogonalizzazione QR, sopprime le allucinazioni da confronto con precedenti radiologici nei modelli visione-linguaggio preservando al contempo l'accuratezza clinica.
Il paper propone VL-WS, un nuovo framework di segmentazione crop-weed basato sull'allineamento visione-linguaggio che, integrando embedding CLIP e descrizioni testuali, supera i limiti di generalizzazione dei modelli esistenti ottenendo prestazioni superiori su dataset agricoli eterogenei e condizioni di supervisione limitata.
Il paper presenta rs-embed, una libreria Python che unifica l'accesso ai modelli fondazionali per il telerilevamento, consentendo agli utenti di ottenere embedding per qualsiasi area e periodo con una singola riga di codice, superando così le attuali sfide di interoperabilità e confronto.
Il paper presenta HiDrop, un framework innovativo che ottimizza l'efficienza dei Modelli Linguistici Multimodali riducendo il 90% dei token visivi tramite iniezione tardiva, potatura piramidale concava e uscita anticipata, mantenendo le prestazioni originali e accelerando l'addestramento di 1,72 volte.
Questo paper presenta un sistema di navigazione indoor affidabile basato sulla Realtà Aumentata che integra il modello di ambiente Vuforia Area Target, la componente NavMesh e l'algoritmo A* per fornire percorsi ottimali e un'esperienza utente superiore rispetto ai metodi tradizionali.
Il paper presenta EgoGraph, un framework senza addestramento che costruisce dinamicamente un grafo di conoscenza temporale per superare le limitazioni dei modelli esistenti e abilitare un ragionamento semantico coerente su video egocentrici ultra-lunghi, ottenendo risultati all'avanguardia su benchmark specifici.
Questo studio introduce VGUBench per dimostrare che, nonostante le capacità di ragionamento testuale e di rendering visivo, i Modelli Linguistici Multimodali Unificati attuali falliscono nel mantenere l'equivalenza semantica quando devono generare risposte visive, rivelando una rottura nell'allineamento semantico trasversale piuttosto che un deficit di fedeltà generativa.
Il paper presenta StemVLA, un modello open-source visione-linguaggio-azione che migliora la manipolazione robotica e le prestazioni su benchmark a lungo termine integrando esplicitamente la previsione della geometria spaziale 3D futura e una rappresentazione storica spaziotemporale 4D.
Questo articolo propone un nuovo metodo basato sulla differenza delle differenze per migliorare l'individuazione di immagini generate dall'IA, superando i limiti dei rilevatori tradizionali che si basano sull'errore di ricostruzione.
Il paper presenta UTPTrack, un framework innovativo di pruning unificato dei token che, per la prima volta, comprime congiuntamente le tre componenti principali dei tracker basati su Transformer, ottenendo prestazioni all'avanguardia in termini di efficienza e accuratezza sia nel tracciamento RGB che in quello multimodale.
Il paper introduce U-Mind, il primo sistema unificato per il dialogo multimodale ad alta intelligenza che supporta la generazione in tempo reale di linguaggio, voce, movimento e video, risolvendo le sfide di sincronizzazione e ragionamento attraverso un framework di allineamento unificato e un apprendimento guidato dalla ripetizione.
Questo studio evidenzia le differenze comportamentali tra esseri umani e modelli visione-linguaggio nel riconoscere caratteri giapponesi ambigui, dimostrando che, sebbene i loro confini decisionali differiscano nella sola analisi della forma, il contesto può migliorare l'allineamento in alcune condizioni.
Il paper propone CausalProto, una rete prototipale causale non supervisionata che, sfruttando un modello causale strutturale e un collo di bottiglia informativo, disaccoppia le caratteristiche patologiche dai fattori ambientali confondenti nelle immagini dermoscopiche per ottenere diagnosi più accurate, interpretabili e prive di bias senza compromettere le prestazioni.
Il paper presenta NIST, un approccio di post-processing neurale leggero che ricrea l'effetto visivo della tassellazione geometrica deformando i contorni nello spazio immagine e preservando la coerenza delle texture, offrendo così silhouettes lisce e fedeli a un costo costante indipendentemente dalla complessità geometrica.