7536 articoli
Il lavoro presenta Dyslexify, un metodo di difesa senza riaddestramento per i modelli CLIP che, identificando e disattivando selettivamente i circuiti attentivi responsabili dell'estrazione di informazioni tipografiche, protegge efficacemente da attacchi basati sul testo mantenendo al contempo le prestazioni standard.
Questo articolo presenta un nuovo metodo di costruzione di dataset multimodali adattivo e orientato alle immagini per scenari di sicurezza reali, che genera automaticamente 35.000 coppie immagine-testo con risposte guida e introduce una metrica standardizzata per valutarne l'efficacia.
Il paper propone Loc, un metodo interpretabile e ad alta precisione per la localizzazione incrociata tra viste aeree e terrestri che stima la posa 3D tramite la corrispondenza diretta delle caratteristiche locali, il sollevamento in spazio BEV basato sulla profondità e l'allineamento Procrustes, ottenendo risultati all'avanguardia senza necessità di annotazioni a livello di pixel.
Il paper propone ST-GS, un nuovo framework basato su Gaussian Splatting spaziotemporale che migliora l'interazione spaziale e la coerenza temporale nella previsione dell'occupazione 3D per la guida autonoma, ottenendo prestazioni all'avanguardia sul benchmark nuScenes.
Il paper propone ViTP, un nuovo approccio di preaddestramento visivo che integra un Vision Transformer in un modello visione-linguaggio potenziato dall'apprendimento della robustezza visiva (VRL) per migliorare le prestazioni nei domini specifici come il telerilevamento e l'imaging medico.
Il paper presenta PartSAM, il primo modello di segmentazione di parti 3D promptabile addestrato nativamente su dati 3D su larga scala, che supera i limiti degli approcci basati su visione 2D offrendo una comprensione geometrica intrinseca e capacità di decomposizione open-world superiori.
Questo articolo presenta il primo framework basato su modelli di diffusione per l'anonimizzazione facciale sicura e reversibile, che utilizza la condizionamento tramite chiave segreta per garantire il recupero esatto dell'identità solo agli utenti autorizzati mantenendo al contempo alta qualità visiva e robustezza.
Questo lavoro propone modelli di diffusione asincroni che assegnano step temporali distinti a ciascun pixel, permettendo alle regioni legate al prompt di denoising in modo più graduale per sfruttare un contesto inter-pixel più chiaro e migliorare così l'allineamento testo-immagine.
Questo studio dimostra che i modelli linguistici multimodali pre-addestrati, analizzando immagini di social media con strategie di prompting a due stadi, possono rilevare e misurare le grandine con un errore medio assoluto di 1,12 cm, offrendo un valido complemento ai sensori tradizionali per la valutazione rapida degli eventi meteorologici estremi.
Il paper presenta FlowRVS, un nuovo framework generativo che risolve il problema della segmentazione video riferita (RVOS) modellando la transizione da una rappresentazione video globale alla maschera target come un processo di deformazione continua guidato dal linguaggio, ottenendo risultati state-of-the-art su tutti i benchmark principali.
Il paper presenta G4Splat, un metodo che utilizza un prior generativo guidato da geometria accurata, derivata da strutture planari, per migliorare la ricostruzione 3D e il completamento di scene in regioni non osservate, risolvendo le inconsistenze multi-vista e garantendo risultati superiori sia nella geometria che nell'aspetto.
Il paper introduce PoSh, una metrica che utilizza grafi di scena per guidare i LLM nella valutazione di descrizioni d'immagine dettagliate, e DOCENT, un nuovo dataset di opere d'arte con giudizi esperti, dimostrando che questo approccio supera le metriche esistenti nel correlarsi con le valutazioni umane e nel guidare l'addestramento dei modelli.
Questo studio dimostra che l'apprendimento auto-supervisionato permette di realizzare una classificazione della copertura del suolo a risoluzione di 1 metro su larga scala con un'alta accuratezza, utilizzando un dataset di addestramento etichettato estremamente ridotto e migliaia di immagini aeree non etichettate per il pre-addestramento.
Il paper presenta Q, un framework innovativo che risolve il problema dello squilibrio dei gradienti nella quantizzazione a basso bit per compiti visivi complessi come il rilevamento di oggetti e la segmentazione, ottenendo significativi miglioramenti nelle prestazioni senza introdurre alcun sovraccarico durante l'inferenza.
Il paper presenta USF-Net, una rete unificata per la fusione spaziotemporale che combina convoluzioni a kernel adattivi e meccanismi di attenzione a bassa complessità per migliorare l'estrapolazione delle sequenze di immagini delle nuvole, accompagnata dal rilascio del nuovo dataset ASI-CIS.
Questo lavoro introduce il benchmark RETINA e il modello MIMIR per superare le scorciatoie visive presenti nei sistemi attuali di Visual Question Answering basato su conoscenze multimodali, dimostrando come l'arricchimento dei documenti con immagini di entità correlate migliori significativamente le prestazioni.
Il paper presenta MedSegLatDiff, un framework di segmentazione medica basato su modelli di diffusione nello spazio latente che, combinando un VAE con una funzione di perdita ottimizzata, genera ipotesi di segmentazione multiple e affidabili con elevata efficienza computazionale e prestazioni all'avanguardia.
Il paper presenta ClimaOoD, un benchmark e un framework di sintesi dati guidati dalla fisica che generano scenari di guida anomali realistici e diversificati per migliorare la generalizzazione dei modelli di segmentazione delle anomalie in ambienti open-world.
Il paper presenta VLM-Pruner, un algoritmo di pruning dei token privo di addestramento che bilancia ridondanza e sparsità spaziale attraverso un paradigma centrifugo e un criterio di buffering, migliorando l'efficienza e la velocità di inferenza dei modelli visione-linguaggio senza comprometterne le prestazioni.
Il paper presenta TIMAR, un framework causale basato su modelli autoregressivi mascherati a livello di turno che genera dinamiche realistiche della testa per avatar conversazionali 3D, migliorando significativamente la coerenza temporale e le prestazioni rispetto ai metodi esistenti.