7541 articoli
Il paper presenta FiNDR, il primo framework basato su modelli linguistici multimodali potenziati dal ragionamento per il riconoscimento fine-granularità senza vocabolario, che supera le prestazioni degli approcci precedenti e delle basi zero-shot utilizzando ground-truth predefiniti.
Il paper presenta UniPath, un framework di generazione di immagini patologiche che supera la semplice simulazione dei pixel sfruttando token semantici diagnostici e controllo tramite prototipi per garantire una generazione controllata e di alta qualità, supportata da un nuovo corpus di dati e una valutazione rigorosa.
Il paper presenta WebGym, il più grande ambiente open-source per l'addestramento di agenti web visivi su quasi 300.000 compiti reali, che grazie a un sistema di rollout asincrono ad alta velocità e a un'ampia diversità di task, permette di ottenere un modello basato su Qwen-3-VL-8B-Instruct che supera le prestazioni di modelli proprietari come GPT-4o e GPT-5-Thinking su test fuori distribuzione.
Il paper presenta ThinkRL-Edit, un framework di apprendimento per rinforzo che migliora l'editing di immagini basato sul ragionamento disaccoppiando la sintesi visiva dalla logica, introducendo un campionamento con catena di pensiero e strategie di ricompensa non distorte per superare i limiti delle attuali tecniche di editing guidato da istruzioni.
Il paper introduce MERGETUNE, una strategia di continued fine-tuning basata sulla connettività modale lineare che, agendo a posteriori su modelli visione-linguaggio già adattati, ripristina le conoscenze pre-addestrate perse mitigando l'oblio catastrofico e migliorando le prestazioni di generalizzazione senza richiedere replay di dati o modifiche architetturali.
Il paper presenta Molmo2, una nuova famiglia di modelli visione-linguaggio open-weight che, grazie a un set di dati video e multi-immagine raccolti senza l'uso di modelli proprietari e a una ricetta di formazione innovativa, raggiunge prestazioni all'avanguardia nel grounding video, superando sia i modelli open-source esistenti che alcuni modelli proprietari come Gemini 3 Pro.
Il paper presenta LingBot-VLA, un modello fondazionale Vision-Language-Action addestrato su 20.000 ore di dati reali che, grazie alle sue superiori capacità di generalizzazione e a un'efficienza computazionale ottimizzata, supera i competitor e viene reso disponibile come risorsa open source per accelerare lo sviluppo della robotica.
Questo articolo propone un approccio generico per la stima della posa della camera basato su curve di Lamé, denominato LC-VLP, che supera i limiti delle geometrie LED specifiche e dimostra, tramite simulazioni ed esperimenti, una precisione di posizionamento superiore ai metodi esistenti con un errore medio inferiore a 4 cm.
Il paper propone un metodo innovativo basato su RVQ-VAE e apprendimento contrastivo per disaccoppiare contenuto e stile nei dati di movimento umano, permettendo il trasferimento di stile senza riaddestramento tramite una tecnica di scambio di codici quantizzati.
Il paper presenta OneVision-Encoder, un modello che allinea l'architettura visiva ai principi di compressione dei codec video per concentrare il calcolo solo sulle regioni ad alta entropia, ottenendo così una maggiore efficienza e prestazioni superiori rispetto ai backbone esistenti su compiti di comprensione multimodale.
Il paper propone HLGFA, un framework per la rilevazione di anomalie non supervisionata nell'industria che, sfruttando l'allineamento delle caratteristiche tra risoluzioni alta e bassa e un'augmentazione dei dati robusta al rumore, supera i metodi esistenti ottenendo un'AUROC del 97,9% a livello di pixel sul dataset MVTec AD.
Il paper presenta GigaBrain-0.5M*, un modello visione-linguaggio-azione che integra l'apprendimento per rinforzo basato su modelli del mondo tramite la metodologia RAMP, ottenendo significativi miglioramenti nelle prestazioni e nell'adattabilità cross-task per compiti di manipolazione robotica complessi e a lungo termine.
Il paper presenta PCReg-Net, un framework di registrazione progressiva guidato dal contrasto che allinea immagini di domini eterogenei attraverso una strategia da grossolano a fine, ottenendo prestazioni superiori e inferenza in tempo reale su benchmark retinici e microscopici con un numero ridotto di parametri.
Questo studio presenta una valutazione sistematica su larga scala di modelli fondazionali video per lo screening remoto del morbo di Parkinson, dimostrando che l'efficacia diagnostica dipende fortemente dall'architettura del modello e dal tipo di compito clinico, con risultati che offrono un solido punto di partenza per il monitoraggio neurologico a distanza.
Questo paper propone il framework DVI (Deferred Visual Ingestion), che supera i limiti delle strategie di pre-ingestione nei documenti ingegneristici densi di immagini sostituendo la descrizione visiva preliminare con un indicizzazione gerarchica automatica basata sulla struttura del documento e un'analisi visiva differita solo sulle pagine candidate, ottenendo così miglioramenti significativi nell'accuratezza del QA e nel recupero delle immagini rispetto ai metodi basati su embedding.
Questo articolo dimostra che l'approccio di ottimizzazione globale basato sulla minimizzazione alternata è un metodo fattibile ed efficace per il recupero della profondità da immagini sfocate, permettendo di risolvere il problema a risoluzioni superiori rispetto ai metodi di deep learning attuali.
Il paper propone i "Hadamard spectral codes", una rappresentazione latente compatta che permette il rendering spettrale efficiente utilizzando operazioni RGB standard, preservando la linearità e approssimando la moltiplicazione spettrale per ridurre significativamente i costi computazionali mantenendo alta la fedeltà cromatica.
Questo lavoro propone un framework di disentanglement per le immagini dermatologiche che, attraverso la manipolazione controllata dei fattori di colore della pelle e la correzione geometrica, genera dati di addestramento diversificati per migliorare l'equità e le prestazioni dei modelli di classificazione delle lesioni cutanee.
Il paper presenta FUSAR-GPT, un modello linguistico-visivo innovativo per immagini SAR che, integrando un dataset di triplette immagine-testo-funzione AlphaEarth, un modello di baseline geospaziale come conoscenza del mondo e una strategia di addestramento in due fasi, supera significativamente le prestazioni degli stati dell'arte nell'interpretazione intelligente delle immagini radar.
Il paper introduce DICArt, un nuovo framework che formula la stima della posa di oggetti articolati come un processo di diffusione discreta condizionato, integrando un decider di flusso dinamico e una strategia di accoppiamento cinematico gerarchico per superare le limitazioni dei metodi continui esistenti e ottenere prestazioni superiori nella stima 6D.