7524 articoli
Il paper introduce SpikeTrack, un innovativo framework di tracciamento visivo basato su reti neurali a impulsi che, grazie a un design asimmetrico e a un modulo di recupero della memoria, raggiunge prestazioni all'avanguardia con un consumo energetico drasticamente ridotto rispetto alle soluzioni tradizionali.
Il paper introduce MSVBench, il primo benchmark completo per la generazione video multi-scena, che colma il divario nelle valutazioni attuali attraverso un framework ibrido basato su LMM e modelli esperti, dimostrando un'elevata correlazione con il giudizio umano e fornendo segnali di supervisione per migliorare le prestazioni dei modelli.
Il paper introduce Venus, un nuovo framework e dataset (AesGuide) che potenzia i modelli linguistici multimodali fornendo loro capacità di guida estetica e ritaglio intelligente delle immagini, colmando il divario tra utenti comuni e fotografi professionisti.
Il paper presenta MINT, un innovativo framework di trasferimento di conoscenza multimodale che allinea le rappresentazioni del parlato a uno spazio di embedding derivato dalla risonanza magnetica (MRI) per abilitare uno screening precoce dell'Alzheimer biologicamente fondato senza necessità di imaging durante l'inferenza.
Il paper presenta MIGM-Shortcut, un metodo che accelera la generazione di immagini mascherate imparando un modello leggero per prevedere l'evoluzione dinamica delle caratteristiche latenti, ottenendo una velocità di generazione superiore di 4 volte rispetto agli stati dell'arte come Lumina-DiMOO senza comprometterne la qualità.
Il paper propone un modello di diffusione latente ordinale che, integrando la struttura ordinata delle fasi di progressione della retinopatia diabetica attraverso una rappresentazione scalare, genera immagini fundus realistiche e clinicamente coerenti, superando i limiti dei modelli condizionali standard che trattano le fasi come classi indipendenti.
Questo lavoro presenta DeBiasLens, un framework interpretabile e agnostico che utilizza autoencoder sparsi per localizzare e disattivare selettivamente i neuroni responsabili dei pregiudizi sociali nei modelli visione-linguaggio, mitigando così i bias senza compromettere la conoscenza semantica.
Il paper presenta SR3R, un nuovo framework feed-forward che riformula la ricostruzione 3D super-risolta mappando direttamente viste sparse a bassa risoluzione su rappresentazioni 3DGS ad alta risoluzione, superando i limiti dei metodi esistenti grazie a una generalizzazione zero-shot e a un'acquisizione autonoma di dettagli geometrici e di aspetto ad alta frequenza.
Il paper propone SteerVAD, un nuovo framework di intervento che migliora la rilevazione di anomalie video nei modelli linguistici multimodali congelati identificando e guidando dinamicamente le rappresentazioni latenti più discriminative tramite un meta-controllore gerarchico, ottenendo prestazioni all'avanguardia con una frazione minima di dati di addestramento.
Il paper presenta GuardAlign, un framework di difesa senza addestramento per i modelli linguistici visivi multimodali che combina il rilevamento di sicurezza potenziato dal trasporto ottimo e una calibrazione attentiva cross-modale per ridurre significativamente le risposte non sicure mantenendo al contempo l'utilità del modello.
Il paper propone AIR, un framework senza addestramento che mitiga le allucinazioni nei modelli linguistici multimodali riducendo la ridondanza dei token visivi e integrando selettivamente le patch più coerenti per rafforzare l'attenzione sulle informazioni visive salienti.
Il paper propone un framework unificato che combina pattern di cucitura impliciti e modelli di diffusione per ricostruire con alta fedeltà e coerenza temporale la geometria 3D di indumenti, sia aderenti che larghi, a partire da immagini singole o video.
Il paper propone Quant Experts (QE), un metodo di quantizzazione post-allenamento per modelli visione-linguaggio che utilizza un meccanismo di esperti misti token-consapevoli per adattare dinamicamente la compensazione degli errori di quantizzazione in base alle variazioni distributive tra token e modalità, migliorando significativamente l'accuratezza senza retraining completo.
Questo lavoro introduce un framework di verifica neuro-simbolica che utilizza un risolutore SMT e una base di conoscenze cliniche per garantire la coerenza logica e l'assenza di allucinazioni nei rapporti radiologici generati da modelli visione-linguaggio, superando i limiti delle metriche lessicali tradizionali.
Il paper introduce AgenticOCR, un paradigma di parsing dinamico e guidato dalle query che ottimizza i sistemi RAG multimodali selezionando e riconoscendo solo le regioni di interesse nei documenti complessi, superando così i limiti del chunking a livello di pagina e migliorando efficienza e accuratezza.
Il paper propone un metodo efficiente per la compattazione dello Splatting Gaussiano 3D che combina una strategia di potatura adattiva basata sulla qualità di ricostruzione e un nuovo primitivo "Difference-of-Gaussians", permettendo di ridurre il numero di gaussiane fino al 90% mantenendo o migliorando la qualità visiva.
Il paper propone TASOT, un metodo non supervisionato per la segmentazione temporale delle fasi chirurgiche che, integrando informazioni visive e testuali tramite trasporto ottimo multimodale, supera le prestazioni dei metodi zero-shot esistenti senza richiedere costosi pre-addestramenti su larga scala.
Il paper presenta HumanOrbit, un modello di diffusione video che genera un orbita completa a 360° attorno a una persona partendo da una singola immagine, permettendo così la ricostruzione di mesh 3D testurizzate con maggiore coerenza geometrica e fedeltà rispetto ai metodi esistenti.
Il paper presenta RAViT, un nuovo framework per la classificazione delle immagini basato su un trasformatore visivo multi-ramo con meccanismo di uscita anticipata, che riduce significativamente il costo computazionale mantenendo un'accuratezza equivalente ai modelli classici.
Questo articolo presenta una gerarchia di superpixel che preserva la varietà degli attributi ad alta dimensionalità, permettendo un'esplorazione coerente delle immagini sia nello spazio spaziale che in quello degli attributi, superando i limiti dei metodi gerarchici tradizionali che ignorano la disposizione spaziale dei pixel.