7816 articoli
Il paper presenta Dream-SLAM, un innovativo sistema di SLAM attivo monoculare che supera le limitazioni degli approcci esistenti in ambienti dinamici generando immagini e strutture semantiche "sognate" per migliorare la stima della posa, la coerenza della mappa 3D e la pianificazione di traiettorie a lungo termine.
Il paper introduce PanoEnv, un benchmark VQA su larga scala per ambienti panoramici 3D e un framework di apprendimento per rinforzo basato su GRPO con un curriculum a due stadi, che insieme migliorano significativamente le capacità di ragionamento spaziale dei modelli visione-linguaggio, permettendo a un modello da 7B di superare le prestazioni di modelli più grandi.
Il paper presenta WoG (World Guidance), un framework che migliora la generazione di azioni nei modelli Vision-Language-Action mappando le osservazioni future in condizioni compatte all'interno del processo di inferenza, ottenendo così una modellazione del mondo efficace che garantisce una generazione di azioni più precisa e una migliore generalizzazione.
Questo lavoro propone un metodo robusto per il riconoscimento dei segnali chilometrici nei metropolitane, basato su modelli fondazionali pre-addestrati e sull'integrazione di dati RGB ed eventi, accompagnato dal rilascio del primo grande dataset sincronizzato EvMetro5K per affrontare le sfide di illuminazione e velocità.
Gli autori propongono RT-RMOT, un nuovo compito di tracciamento multi-oggetto referenziato che fonde dati RGB e termici, supportato dal primo dataset multimodale RefRT e dal framework RTrack basato su un modello linguistico multimodale ottimizzato con strategie di apprendimento per rinforzo per garantire prestazioni robuste in condizioni di scarsa visibilità.
Il paper presenta SPGen, un nuovo modello di deep learning che utilizza l'adattamento di dominio non supervisionato e un campionatore di rumore casuale per generare scanpath stocastici realistici per le opere d'arte, superando le limitazioni dei metodi esistenti nel prevedere l'attenzione visiva umana.
Il paper presenta AutoSew, un approccio automatico basato su reti neurali grafiche e geometria che prevede le corrispondenze di cucitura direttamente dai contorni dei pattern 2D, superando i metodi esistenti grazie a un nuovo dataset annotato e ottenendo un'accuratezza del 96% senza richiedere input manuali.
Il paper propone NESTOR, un operatore neurale basato su un framework Mixture-of-Experts annidato che combina dipendenze globali e locali per il pre-addestramento su larga scala di equazioni differenziali parziali, migliorando significativamente generalizzazione e trasferibilità rispetto agli approcci esistenti.
Il paper presenta AdaSpot, un framework efficiente che risolve il problema della localizzazione temporale precisa degli eventi nei video combinando l'elaborazione a bassa risoluzione con la selezione adattiva e non supervisionata di regioni di interesse ad alta risoluzione, ottenendo così prestazioni all'avanguardia senza costi computazionali eccessivi.
WeatherCity è un nuovo framework che ricostruisce scene urbane 4D ad alta fedeltà e ne permette la trasformazione controllata in diverse condizioni meteorologiche, superando le limitazioni dei metodi esistenti attraverso una rappresentazione gaussiana specifica per il meteo e un modello fisico-driven per simulare effetti dinamici coerenti.
Il paper presenta Brain3D, un framework vision-language a tre stadi che utilizza trasformatori visivi 3D inflazionati per generare automaticamente rapporti radiologici clinici da risonanze magnetiche cerebrali volumetriche, ottenendo una precisione clinica significativamente superiore rispetto ai modelli basati su slice 2D.
Il paper presenta GeoDiv, un nuovo framework che utilizza modelli linguistici e vision-language per misurare sistematicamente la diversità geografica nei modelli di generazione immagini, rivelando come questi ultimi tendano a rafforzare stereotipi e a rappresentare in modo distorto e impoverito paesi come India, Nigeria e Colombia.
Il paper presenta Lumosaic, un sistema attivo e compatto per la cattura di video iperspettrali in tempo reale che combina un array LED a banda stretta con una fotocamera a pixel a esposizione codificata e un processo di ricostruzione basato sull'apprendimento per ottenere ricostruzioni spettralmente accurate e temporalmente coerenti anche in presenza di movimento.
Il paper presenta WeaveTime, un framework efficiente e indipendente dal modello che risolve il problema dell'agnosticismo temporale nei Video-LLM introducendo un obiettivo di ricostruzione temporale per l'apprendimento dell'ordine e una cache di focus dinamico per la gestione della memoria in streaming, migliorando così accuratezza e latenza nei contesti online.
Il paper presenta MedTri, un framework di normalizzazione che trasforma i referti medici liberi in triplette strutturate basate sull'anatomia, migliorando significativamente la qualità del pre-addestramento visione-linguaggio medico rispetto ai dati grezzi e alle tecniche esistenti.
Il paper presenta NoLan, un framework senza addestramento che mitiga le allucinazioni di oggetti nei modelli visione-linguaggio su larga scala sopprimendo dinamicamente i prior linguistici del decoder, che l'analisi ha identificato come la causa principale di tale fenomeno.
Il paper presenta CASR, un framework ciclico efficiente che risolve il problema dello spostamento distributivo nella super-risoluzione a scala arbitraria allineando le distribuzioni strutturali e sfruttando l'autosimilarità per garantire inferenze stabili e di alta qualità anche a ingrandimenti estremi.
Il paper propone un nuovo encoder di aggregazione a livello di regione che fonde rappresentazioni di tile a diverse magnificazioni tramite un preaddestramento con mascheramento, migliorando le prestazioni predittive per vari biomarcatori tumorali grazie a una migliore cattura del contesto spaziale e multi-risoluzione nelle immagini patologiche.
Questo studio dimostra che i modelli generativi immagine-su-immagine pronti all'uso possono essere riproposti come denoiser generici tramite semplici prompt testuali per aggirare con successo e superare gli attacchi esistenti una vasta gamma di schemi di protezione delle immagini, rivelando così una vulnerabilità critica che offre una falsa sicurezza.
Il paper introduce WHOLE, un metodo che ricostruisce in modo olistico e coerente la dinamica congiunta di mani e oggetti nello spazio mondiale partendo da video egocentrici, superando le limitazioni delle tecniche attuali che trattano separatamente le due entità.