7530 articoli
Il paper propone IV-tuning, un metodo di apprendimento per trasferimento efficiente nei parametri che, congelando la maggior parte dei pesi dei modelli visivi pre-addestrati e aggiornandone solo il 3%, supera i metodi attuali per compiti IR-VIS garantendo una migliore generalizzazione ed efficienza computazionale.
Il paper propone MomentMix, una tecnica di augmentation che genera campioni di brevi momenti tramite ForegroundMix e BackgroundMix, e un Length-Aware Decoder per migliorare la localizzazione temporale nei modelli DETR, ottenendo risultati all'avanguardia su dataset come QVHighlights, TACoS e Charades-STA.
Il paper presenta JOSH, un metodo di ottimizzazione per la ricostruzione 4D di umani e scene da video monoculare in ambienti non controllati, che migliora la stima del movimento globale e la geometria della scena sfruttando i vincoli di contatto, e introduce la sua variante più efficiente JOSH3R, addestrata con pseudo-etichette derivate da JOSH per ottenere risultati superiori rispetto ai metodi senza ottimizzazione.
Il documento dimostra che i purificatori avversariali non basati su modelli di diffusione possono superare le controparti diffusion-based in termini di trasferibilità e generalizzazione cromatica, ottenendo prestazioni state-of-the-art su ImageNet anche quando addestrati esclusivamente su CIFAR-10.
Il paper presenta Dual-IPO, un paradigma iterativo che ottimizza simultaneamente il modello di ricompensa e il modello di generazione video per migliorare la qualità della sintesi e l'allineamento alle preferenze umane senza richiedere annotazioni manuali.
Il paper propone RelaCtrl, un framework che ottimizza l'integrazione dei segnali di controllo nei Diffusion Transformer valutando la rilevanza di ciascun strato e sostituendo i blocchi standard con un innovativo Two-Dimensional Shuffle Mixer, ottenendo prestazioni superiori con solo il 15% dei parametri e della complessità computazionale rispetto a PixArt-delta.
Questo lavoro presenta U-F²-CBM, un metodo innovativo che trasforma qualsiasi classificatore visivo congelato in un Modello a Bottiglia di Concetti (CBM) senza utilizzare CLIP, senza richiedere etichette di immagine-concetto e derivando il classificatore lineare in modo non supervisionato, ottenendo prestazioni superiori rispetto agli approcci esistenti.
Il paper presenta UniFuture, un modello unificato di mondo di guida 4D che genera simultaneamente immagini future e mappe di profondità coerenti geometricamente attraverso uno spazio latente condiviso, superando i limiti dei modelli esistenti che trattano separatamente la generazione visiva e la percezione geometrica.
Il paper introduce GmNet, un modello leggero che, analizzando i meccanismi di gating da una prospettiva frequenziale ispirata al teorema della convoluzione, riduce il pregiudizio verso le basse frequenze per migliorare l'efficienza e l'efficacia nella classificazione delle immagini.
Il paper presenta ViT-Linearizer, un framework di distillazione che trasferisce le conoscenze dei Vision Transformer in modelli ricorrenti a complessità lineare, ottenendo significativi vantaggi in termini di velocità e prestazioni su compiti visivi ad alta risoluzione.
Il paper presenta LAMM-ViT, un modello Vision Transformer che integra l'attenzione guidata dalle regioni e una modulazione mascherata consapevole dello strato per rilevare in modo robusto i volti sintetici, superando le tecniche attuali grazie a un'architettura adattiva che cattura inconsistenze strutturali fondamentali e ottiene prestazioni superiori nella generalizzazione tra diversi modelli generativi.
Questo articolo propone un framework per la rilevazione di oggetti 3D basato sulla distillazione della conoscenza con previsione della riflettanza (RPKD), che ricostruisce le informazioni di riflettanza perse durante la compressione dei punti per migliorare la robustezza e l'accuratezza della rilevazione in scenari di trasmissione a bassa larghezza di banda.
Il paper presenta BriGeS, un metodo innovativo che fonde modelli fondazionali geometrici e semantici tramite un "Bridging Gate" e una tecnica di scaling della temperatura per migliorare l'estimazione della profondità monoculare con un addestramento efficiente e prestazioni superiori su scene complesse.
Il paper propone un metodo di "immaginazione sparsa" basato su modelli del mondo visivi e trasformatori con attenzione raggruppata casualizzata, che riduce il carico computazionale durante la pianificazione robotica mantenendo elevate prestazioni di controllo e abilitando l'uso in tempo reale.
Il paper presenta LinGuinE, un framework PyTorch che combina registrazione e segmentazione guidata per ottenere la segmentazione volumetrica e il tracciamento delle lesioni tumorali longitudinali da un singolo prompt del radiologo, raggiungendo prestazioni all'avanguardia su quattro dataset senza richiedere addestramento su dati longitudinali.
Il paper presenta un nuovo framework basato su un ponte di Schrödinger e diffusione condizionale che, integrando feedback umano binario tramite guida senza classificatore, sopprime efficacemente le artefatti da ombra nella traduzione da CBCT a MDCT garantendo fedeltà anatomica e prestazioni superiori con soli 10 passaggi di campionamento.
Questo lavoro affronta la scarsità di dati nella segmentazione di immagini mediche proponendo un metodo basato sull'assunzione di scambiabilità, piuttosto che sull'i.i.d., per gestire gli spostamenti distribuzionali durante il pooling di dati e migliorare le prestazioni del modello attraverso il controllo delle discrepanze tra caratteristiche di primo piano e sfondo.
Il paper presenta LayerT2V, un framework unificato che genera video da testo con rappresentazioni multistrato editabili (sfondo, primi piani e relative maschere) in una singola inferenza, garantendo coerenza temporale e semantica grazie a un'architettura DiT condivisa e al nuovo dataset VidLayer.
Il paper presenta RAP, un framework unificato che supera i limiti computazionali dei metodi esistenti per l'animazione di ritratti guidata dall'audio, permettendo la generazione in tempo reale di video di teste parlanti ad alta fedeltà attraverso un meccanismo di attenzione ibrido e una nuova paradigma di addestramento-inferenza.
Il lavoro propone MixCache, un framework di caching ibrido e adattivo senza addestramento che accelera significativamente l'inferenza dei modelli video DiT selezionando dinamicamente la granularità di caching ottimale per bilanciare velocità e qualità della generazione.