7808 articoli
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.
Il paper propone RALU, un metodo di accelerazione spaziale senza addestramento per i Diffusion Transformers che utilizza un upsampling latente a risoluzione mista adattivo alle regioni per eliminare gli artefatti e ottenere fino a 15,9 volte di velocità senza compromettere la qualità.
Il paper presenta PRISM, un nuovo framework di jailbreak per i Large Vision-Language Models che, ispirandosi alle tecniche di Return-Oriented Programming, aggira le difese di sicurezza decomponendo istruzioni dannose in una sequenza di "gadgets" visivi individualmente innocui che, integrati attraverso il ragionamento del modello, generano un output nocivo emergente, ottenendo tassi di successo significativamente superiori rispetto ai metodi esistenti.
Il paper introduce LLaDA-MedV, il primo modello di diffusione linguistica su larga scala progettato per la comprensione delle immagini biomediche, che supera le prestazioni degli attuali modelli autoregressivi come LLaVA-Med in compiti di conversazione visiva e di risposta a domande, stabilendo nuovi record di accuratezza su benchmark specifici.
Il paper presenta Lang2Lift, un sistema autonomo end-to-end per muletti che utilizza istruzioni in linguaggio naturale e modelli di fondazione per identificare, localizzare e manipolare pallet in ambienti industriali esterni non strutturati.
Il paper propone un modulo di densificazione dei voxel (VDM) che espande le rappresentazioni spaziali prima della serializzazione per mitigare la sparsità nei modelli di rilevamento 3D, migliorando significativamente l'accuratezza su benchmark come Waymo, nuScenes, Argoverse 2 e ONCE senza compromettere l'efficienza computazionale.
Il paper presenta V²Drop, un metodo innovativo che accelera i Large Vision-Language Models eliminando dinamicamente i token visivi a bassa variazione durante l'inferenza, ottenendo riduzioni significative della latenza (fino al 74,2% per i video) mantenendo quasi intatta l'accuratezza originale.
Il paper presenta MedicalPatchNet, un'architettura di intelligenza artificiale auto-spiegabile per la classificazione delle radiografie del torace che, pur mantenendo prestazioni pari agli stati dell'arte, offre una trasparenza decisionale superiore attraverso l'analisi di patch individuali, migliorando così l'interpretabilità clinica e la fiducia negli strumenti diagnostici.
JanusVLN è un nuovo framework per la navigazione visione-linguaggio che supera i limiti delle memorie esplicite tradizionali introducendo una memoria neurale implicita duale, separando e comprimendo le informazioni spaziali e semantiche per ottenere prestazioni all'avanguardia con un'efficienza computazionale superiore.
Questo studio introduce il concetto di "Grounding IDs", identificatori latenti indotti da segnali esterni che migliorano il legame multimodale e riducono le allucinazioni nei modelli visione-linguaggio rafforzando l'allineamento tra oggetti e partitioni nello spazio delle rappresentazioni.
Questo studio dimostra che l'uso dell'entropia semantica discreta per filtrare le domande con alta incertezza semantica migliora significativamente l'accuratezza diagnostica dei modelli visione-linguaggio VLM in ambito radiologico, offrendo una strategia efficace per rilevare e ridurre le allucinazioni in modelli black-box.
Il paper presenta ImpMIA, un attacco di inferenza sulla appartenenza ai dati di addestramento che, sfruttando il bias implicito delle reti neurali e le condizioni di ottimalità KKT senza richiedere modelli di riferimento, supera le prestazioni degli stati dell'arte in scenari realistici dove sono noti solo i pesi del modello e un superset dei dati.
Il paper presenta Uni-MMMU, un benchmark multimodale unificato e multidisciplinare che valuta la sinergia bidirezionale tra comprensione visiva e generazione attraverso otto domini di ragionamento, rivelando le interdipendenze tra queste capacità e fornendo una base solida per lo sviluppo di modelli unificati.
Il paper propone un nuovo metodo di intelligenza artificiale spiegabile (XAI) basato su didascalie che integra i modelli CNN nel framework CLIP per identificare i concetti dominanti nelle previsioni, riducendo il rischio di bias e migliorando la robustezza del modello.
Il documento presenta Cosmos-Predict2.5 e Cosmos-Transfer2.5, modelli fondazionali di nuova generazione per l'IA fisica che unificano la generazione di mondi da testo, immagini e video con capacità di traduzione e simulazione avanzate, rilasciando codice e checkpoint open source per accelerare lo sviluppo di sistemi robotici e autonomi.
Il paper propone CoMa, un nuovo paradigma di pre-addestramento che separa la compressione dei dati dall'addestramento per contrasto, permettendo di trasformare efficientemente i modelli linguistici multimodali in efficaci sistemi di embedding con risultati all'avanguardia.
Il paper presenta QTSplus, un modulo leggero di selezione dei token visivi che, analizzando la query testuale, riduce drasticamente i costi computazionali e la latenza nell'analisi di video lunghi mantenendo o migliorando le prestazioni di localizzazione temporale e comprensione rispetto ai modelli originali.
Il paper presenta RobustGait, un framework di benchmark che valuta in modo sistematico la robustezza dei sistemi di riconoscimento dell'andatura basati sull'aspetto contro diverse corruzioni e variabilità, rivelando l'impatto critico dei metodi di estrazione delle silhouette e proponendo strategie di addestramento per migliorare le prestazioni in scenari reali.
Il paper propone NINT, un metodo che accelera l'addestramento delle rappresentazioni neurali implicite selezionando dinamicamente le coordinate più influenti tramite il Neural Tangent Kernel, riducendo i tempi di calcolo di circa la metà senza compromettere la qualità.