7587 articoli
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.
Questo lavoro introduce un framework per valutare la qualità dei benchmark sull'allucinazione nei modelli visione-linguaggio, rivelando le carenze degli strumenti esistenti e proponendo HQH, un nuovo benchmark ad alta affidabilità che evidenzia gravi problemi di allucinazione nei modelli attuali.
Il paper presenta PoseAdapt, un framework open-source e una suite di benchmark per l'adattamento continuo dei modelli di stima della posa umana, progettati per ottimizzare l'efficienza computazionale e l'adattabilità a nuovi domini e modalità di sensing senza richiedere un addestramento completo da zero.
Il paper presenta LLM2CLIP, un framework di efficient fine-tuning che integra un grande modello linguistico (LLM) in CLIP pre-addestrato per potenziarne la comprensione di didascalie lunghe e complesse, ottenendo significativi miglioramenti su numerose attività downstream senza richiedere un addestramento su larga scala.
Il paper introduce Renaissance, un framework di valutazione per l'analisi meta-sperimentale del preaddestramento di encoder visione-linguaggio, dimostrando che è possibile risparmiare risorse computazionali congelando parti del modello e confrontando l'efficacia di basi visive rispetto a quelle testuali.
Questo studio presenta un framework di tracciamento guidato da visione per veicoli di superficie autonomi (USV) in ambienti marittimi complessi, che attraverso un benchmark di sette algoritmi avanzati e test in simulazione e in mare reale, identifica SeqTrack come il tracciatore più efficace in condizioni avverse e il controllore LQR come la soluzione di controllo più robusta per garantire una tracciatura stabile.
Il paper presenta OC-STORM, un framework di apprendimento per rinforzo basato su modelli che, sfruttando rappresentazioni centrate sugli oggetti estratte da poche annotazioni, supera l'inefficienza dei campioni dei metodi tradizionali e raggiunge risultati all'avanguardia in ambienti visivamente complessi come Atari e Hollow Knight.
Il paper introduce VOILA, un benchmark su larga scala che valuta la capacità dei modelli linguistici multimodali di comprendere relazioni percettive e di ragionamento analogico, rivelando che le attuali architetture faticano significativamente in questi compiti rispetto alle prestazioni umane, sebbene strategie di prompting a più passaggi possano migliorare i risultati.
Il paper presenta PD-VLA, un innovativo framework di decodifica parallela che accelera l'inferenza dei modelli Vision-Language-Action integrati con l'azione a blocchi (action chunking) senza richiedere modifiche architetturali o riaddestramento, garantendo al contempo prestazioni competitive e un aumento significativo della frequenza di esecuzione nei robot manipolatori.
Il paper propone UnifiedReward, il primo modello di ricompensa unificato che, addestrato su un vasto dataset di preferenze umane e utilizzato per allineare i modelli visivi tramite DPO, dimostra come l'apprendimento congiunto di compiti di comprensione e generazione multimodale generi benefici sinergici in entrambi i domini.
Il paper introduce TRACE, un metodo che sfrutta le mappe di attenzione dei modelli di diffusione testo-immagine per rilevare automaticamente i bordi delle istanze e migliorare la segmentazione senza bisogno di annotazioni manuali, ottenendo risultati superiori e un'inferenza 81 volte più veloce rispetto alle tecniche esistenti.
Il paper presenta AnyIR, un modello unificato ed efficiente per il ripristino di immagini che, sfruttando una fusione parallela spazio-frequenza e un meccanismo di adattamento delle degradazioni, raggiunge prestazioni allo stato dell'arte riducendo drasticamente parametri e complessità computazionale rispetto alle soluzioni esistenti.
Il paper presenta Twin-Co, un framework che utilizza un dialogo sincronizzato e co-adattivo per affinare progressivamente la generazione di immagini basata su testo, riducendo le ambiguità delle richieste utente e migliorando la qualità finale del risultato.
Questo lavoro propone un metodo basato sull'analisi dell'operatore p-Laplaciano stimato tramite le funzioni di punteggio dei modelli di diffusione per identificare il fenomeno della memorizzazione dei dati di addestramento, fornendo sia stime numeriche efficaci che limiti teorici di errore validi anche per modelli generativi testo-immagine.
Questo studio dimostra che un'architettura ibrida basata su transformer preaddestrato (SMIT), ottimizzata con un apprendimento curricolare bilanciato, raggiunge una segmentazione accurata delle sottostutture cardiache su TC con contrasto e senza contrasto utilizzando il 64% in meno di dati annotati rispetto a un modello "oracle", superando in robustezza le soluzioni tradizionali come nnU-Net e TotalSegmentator per la pianificazione della radioterapia.
Il paper presenta JailBound, un nuovo framework di jailbreak che sfrutta le rappresentazioni nello spazio latente dei modelli visione-linguaggio per individuare e attraversare i confini di sicurezza interni, superando i limiti dei metodi esistenti e ottenendo tassi di successo significativamente superiori sia in scenari white-box che black-box.
Il paper presenta PROGRESS, un framework efficiente che ottimizza l'addestramento dei modelli visione-linguaggio selezionando dinamicamente i campioni più informativi in base all'errore relativo, riducendo così drasticamente la necessità di dati, annotazioni e risorse computazionali rispetto alle tecniche attuali.
Il paper presenta LoRA-Edit, un metodo innovativo che utilizza un adattamento LoRA guidato da una maschera spazio-temporale per modificare in modo controllato i video generati da modelli diffusion, permettendo agli utenti di preservare o rigenerare selettivamente contenuti e movimenti in base a un primo frame di riferimento.
Questo lavoro propone un sistema a doppia telecamera con controllo di esposizione asincrono e una rete di fusione adattiva (EAFNet) per generare video HDR stabili, eliminando il flicker temporale tipico dei metodi a singola telecamera e mantenendo costi contenuti.