7585 articoli
Questo lavoro dimostra che i Large Multimodal Models (LMM), se potenziati dal metodo training-free CIRCLE per l'apprendimento in contesto, possono superare i modelli contrastivi VLM nella classificazione sia a mondo chiuso che aperto, posizionandosi come classificatori unificati e flessibili.
Questo lavoro dimostra che l'utilizzo di più telecamere per triangolare scheletri 3D più accurati migliora significativamente il riconoscimento delle azioni basato su scheletri, suggerendo che la configurazione multi-vista dovrebbe diventare lo standard per future ricerche.
Il paper presenta GUIPruner, un framework senza addestramento che risolve le inefficienze degli agenti GUI ad alta risoluzione attraverso la ridimensionamento temporale adattivo e la potatura strutturata stratificata, riducendo drasticamente i costi computazionali mantenendo alte prestazioni.
Il paper propone RaWMPC, un framework unificato che combina un modello del mondo addestrato su comportamenti rischiosi e un controllo predittivo per generare azioni di guida autonome sicure e generalizzabili senza dipendere da supervisione esperta.
Questo lavoro propone un framework di generazione di immagini con privacy differenziale che, sfruttando la trasformata wavelet, addestra un modello autoregressivo solo sui coefficienti a bassa frequenza (strutture globali) per preservare la privacy, mentre utilizza un modello di super-risoluzione preaddestrato pubblicamente per ricostruire i dettagli ad alta frequenza, ottenendo così un miglior compromesso tra qualità dell'immagine e protezione dei dati.
Il paper presenta LineGraph2Road, un framework innovativo che migliora l'estrazione automatica delle strade da immagini satellitari trasformando il problema di previsione della connettività in una classificazione binaria su un grafo euclideo globale e applicando un Graph Transformer sul suo grafo delle linee per catturare dipendenze a lungo raggio e topologie complesse, ottenendo risultati all'avanguardia su metriche chiave come TOPO-F1 e APLS.
Il paper presenta PGVMS, un framework unificato guidato da prompt che risolve le sfide della colorazione IHC multiplex virtuale attraverso l'uso di un modello linguistico-visivo patologico, una strategia di apprendimento consapevole delle proteine e un apprendimento basato su prototipi coerenti per generare rappresentazioni IHC multiple da immagini H&E utilizzando solo dati di addestramento uniplex.
Il paper propone ART-STVG, un nuovo approccio basato su un Transformer auto-regressivo con banche di memoria selettive e un design di localizzazione spaziotemporale a cascata, progettato per superare le limitazioni dei metodi esistenti nel localizzare oggetti in video a lungo termine (Long-Form STVG) gestendo efficacemente flussi di dati sequenziali e informazioni irrilevanti.
Il paper presenta ManifoldGD, un framework di distillazione dei dati basato su modelli di diffusione che, senza necessità di riaddestramento, migliora la qualità e la diversità dei dataset sintetici guidando il processo di generazione attraverso una proiezione geometrica su un manifold latente gerarchico derivato da clustering.
Il paper propone PRIMA, un framework innovativo che integra conoscenze mediche specifiche tramite RAG e un allineamento multimodale raffinato tra immagini e metadati clinici, superando i metodi esistenti nella diagnosi medica senza richiedere enormi risorse computazionali.
Il paper propone un adattatore di test time basato sul retrieval che, integrando un piccolo insieme di immagini support con annotazioni a livello di pixel e prompt testuali, riduce significativamente il divario tra segmentazione zero-shot e supervisionata mantenendo la capacità di riconoscere categorie aperte.
Lo studio dimostra che il pregiudizio di reporting nei dati di addestramento limita le capacità di ragionamento dei modelli visione-linguaggio, rendendo inefficace la semplice scalabilità e sottolineando la necessità di una curatela intenzionale dei dati per colmare le lacune nelle competenze spaziali, temporali, di negazione e di conteggio.
Questo articolo affronta le sfide legate alla variabilità dei dati delle telecamere a eventi, offrendo un'analisi approfondita dell'impatto dei parametri intrinseci sulle prestazioni dei modelli di rilevamento oggetti e proponendo un addestramento congiunto per garantire una robustezza agnostica rispetto al sensore.
Il paper propone PLADA, un metodo che riduce il carico di trasmissione dei dataset a meno di 1 MB inviando solo le etichette delle classi per immagini selezionate da un grande dataset di riferimento pre-caricato, eliminando così la necessità di trasmettere i dati grezzi pur mantenendo un'alta accuratezza nella classificazione.
Il paper presenta SeeThrough3D, un modello che migliora la generazione di immagini da testo controllata da layout 3D introducendo una rappresentazione scenica occlusiva trasparente (OSCR) e un meccanismo di attenzione mascherata per gestire con precisione le occlusioni tra oggetti, la geometria coerente e il controllo della camera.
Il paper presenta VGG-T³, un modello di ricostruzione 3D offline feed-forward scalabile che supera i limiti computazionali quadratici dei metodi esistenti distillando la rappresentazione geometrica in un MLP fisso tramite test-time training, ottenendo così un'elaborazione lineare rispetto al numero di immagini con velocità e precisione superiori.
Il paper introduce MediX-R1, un framework di apprendimento per rinforzo open-ended che, grazie a un sistema di ricompense composite e una valutazione basata su LLM, potenzia i modelli linguistici multimodali medici per generare risposte cliniche libere e semanticamente corrette, superando i limiti dei formati a scelta multipla.
Questo paper propone un approccio innovativo per migliorare i modelli di diffusione denoising, basato sulla riparametrizzazione del processo tramite un angolo su un arco circolare per abilitare solutori ODE di ordine superiore e sulla stima simultanea dell'immagine e del rumore, ottenendo così una generazione più rapida e immagini di qualità superiore.
Questo lavoro propone un algoritmo interpretabile per il rilevamento di movimento in tempo reale nei flussi video, basato sulla Decomposizione Modale Dinamica (DMD) che associa il movimento in primo piano agli autovalori della matrice risultante dall'applicazione della DMD a segmenti video, dimostrando la sua efficacia su dati simulati di videosorveglianza.
Questo articolo offre una rassegna completa sull'enhancement delle immagini subacquee basata sul deep learning, presentando modelli fisici, classificando gli algoritmi recenti, effettuando una valutazione comparativa quantitativa e qualitativa su più dataset e delineando le direzioni future della ricerca.