7598 articoli
Questo lavoro introduce un approccio senza addestramento per la segmentazione temporale delle azioni a vocabolario aperto (OVTAS) sfruttando le capacità zero-shot dei modelli visione-linguaggio, proponendo una pipeline che combina l'adattamento delle embedding e la coerenza temporale, e fornendo la prima analisi sistematica di 14 diversi VLM su benchmark standard.
Il paper introduce WildSVG, un nuovo benchmark composto da dataset reali e sintetici per valutare l'estrazione di SVG da immagini naturali, evidenziando le attuali limitazioni dei modelli multimodali in scenari complessi e il potenziale delle tecniche di raffinamento iterativo.
Il documento presenta *tugturn.py*, un flusso di lavoro Python open-source per l'analisi biomeccanica 3D senza marcatori del test Timed Up and Go, che automatizza la segmentazione delle fasi, il rilevamento degli eventi del passo e il calcolo di metriche di stabilità dinamica, garantendo risultati riproducibili attraverso report HTML e tabelle CSV.
Il paper introduce PSF-Med, un benchmark che rivela come i modelli medico-visuali cambino le risposte a riformulazioni di domande, e dimostra che l'identificazione e la soppressione di specifiche caratteristiche sparse nel modello riducono significativamente questa instabilità, migliorando l'affidabilità clinica.
Il paper propone un framework di decodifica causale che, intervenendo direttamente sui meccanismi di generazione, riduce significativamente le allucinazioni di oggetti nei modelli linguistici multimodali mantenendo al contempo l'alta qualità delle risposte.
Lo studio valuta la robustità di un modello di segmentazione basato su deep learning per i noduli tiroidei agli attacchi avversariali nell'ecografia, dimostrando che mentre le perturbazioni spaziali possono essere parzialmente mitigate tramite pre-elaborazione dell'input, quelle nel dominio della frequenza rimangono efficaci e non mitigabili dalle difese testate.
Il paper propone l'Efficient-PBAN, una rete neurale che ottimizza la super-risoluzione di immagini massimizzando la qualità percettiva umana attraverso una nuova metrica differenziabile addestrata su un dataset specifico, superando i tradizionali compromessi tra fedeltà e qualità visiva.
Il paper propone SPL, un quadro di addestramento unificato per il rilevamento di oggetti 3D senza supervisione o con supervisione scarsa che combina etichettatura pseudo-semantica e apprendimento prototipale per generare pseudo-etichette di alta qualità e stabilizzare l'apprendimento delle caratteristiche, superando così le prestazioni dello stato dell'arte sui dataset KITTI e nuScenes.
Il paper propone AHAN, una rete neurale con attenzione gerarchica asimmetrica che migliora la verifica facciale dei gemelli monozigoti fino al 92,3% analizzando le asimmetrie facciali e le variazioni non genetiche attraverso moduli di attenzione incrociata multi-scala e una strategia di regolarizzazione specifica per i gemelli.
Il paper presenta WaterVIB, un framework basato sul principio del collo di bottiglia dell'informazione variazionale che, estraendo statistiche sufficienti minime e filtrando le texture ad alta frequenza del contenuto originale, garantisce una robustezza superiore dei watermark contro gli attacchi di rigenerazione basati sull'IA generativa.
Questo articolo presenta TEA-CXA, un agente per l'analisi delle radiografie toraciche che, attraverso l'apprendimento agentic multimodale, impara empiricamente a valutare l'affidabilità di diversi strumenti AI per risolvere i conflitti nelle risposte e superare gli stati dell'arte.
Il paper presenta LiLo-VLA, un framework modulare che combina un modulo di raggiungimento globale con un modulo di interazione basato su VLA centrato sugli oggetti per abilitare la generalizzazione zero-shot e il recupero robusto nei compiti di manipolazione a lungo orizzonte, ottenendo prestazioni superiori rispetto agli approcci end-to-end sia in simulazione che nel mondo reale.
Questo lavoro propone un nuovo framework per la ricostruzione 3D di scene esterne da viste sparse non posizionate, che combina una restaurazione bidirezionale di pseudo-viste guidata da modelli di diffusione e un algoritmo di gestione delle Gaussiane basato sulla percezione della scena per migliorare la completezza geometrica e ridurre gli artefatti.
Il paper introduce IHF-Harmony, un framework unificato basato su un modello di flusso gerarchico invertibile che armonizza immagini MRI multimodali non accoppiate garantendo una mappatura biunivoca e una ricostruzione senza perdite per preservare l'anatomia originale e migliorare le prestazioni nei compiti downstream.
Il paper presenta VasGuideNet, un nuovo framework di segmentazione del fegato secondo Couinaud che, integrando la topologia vascolare tramite GCN e una perdita di contrasto strutturale, supera i metodi esistenti offrendo confini più precisi e una maggiore generalizzazione anatomica.
Il paper presenta GPOcc, un framework che generalizza i prior geometrici visivi per la previsione di occupazione 3D monocular e in streaming, estendendo i punti superficiali verso l'interno lungo i raggi della camera per generare primitive Gaussiane volumetriche e ottenendo significativi miglioramenti di accuratezza e velocità rispetto allo stato dell'arte.
Il paper presenta MultiAnimate, un framework basato su Diffusion Transformers che risolve i problemi di identità e occlusione nell'animazione di immagini umane multi-persona, permettendo la generazione realistica di video con un numero di personaggi superiore a quello del dataset di addestramento.
Il paper propone SEF-MAP, un framework innovativo che migliora la robustezza della previsione di mappe HD multimodali per la guida autonoma disaccoppiando le caratteristiche in sottospazi semantici dedicati e utilizzando un meccanismo di gating basato sull'incertezza per adattarsi dinamicamente a condizioni degradate, ottenendo risultati allo stato dell'arte sui benchmark nuScenes e Argoverse2.
Questo lavoro rivela una vulnerabilità fondamentale nei sistemi di filigrana semantica per immagini generative, dimostrando che un attacco guidato da modelli linguistici (LLM) chiamato CSI può manipolare le semantica in modo coerente per eludere i rilevatori senza compromettere la coerenza globale dell'immagine.
Questo studio rivela che gli embedding condizionali nei Diffusion Transformers presentano un collo di bottiglia semantico caratterizzato da un'elevata ridondanza angolare e da una concentrazione del segnale informativo in poche dimensioni, permettendo di ridurre drasticamente lo spazio degli embedding senza compromettere la qualità della generazione.