8144 articoli
RAYNOVA è un modello fondazionale del mondo per scenari di guida che, utilizzando un framework autoregressivo duale e una codifica posizionale basata sui raggi di Plücker, genera video multiview 4D fisicamente plausibili con alta generalizzazione a diverse configurazioni di telecamere e movimenti dell'auto senza richiedere rappresentazioni 3D esplicite.
Il lavoro presenta MMHNet, una rete gerarchica multimodale potenziata che utilizza Mamba non causale per superare le sfide della generalizzazione temporale, permettendo la generazione di audio coerente da video di oltre 5 minuti senza richiedere addestramento su sequenze lunghe.
Il lavoro presenta cVMDx, un modello di diffusione avanzato che, sfruttando il campionamento DDIM e un modello a mistura gaussiana, risolve le inefficienze e le limitazioni di cVMD per fornire previsioni di traiettoria multimodali accurate e consapevoli dell'incertezza nel contesto della guida autonoma.
Il paper presenta uno studio sistematico sulle leggi di scalabilità per i transformer di sintesi di viste, introducendo il modello SVSM che dimostra come un'architettura encoder-decoder possa raggiungere prestazioni superiori rispetto agli approcci decoder-only con un costo computazionale ridotto.
Il paper propone RelA-Diffusion, un framework di diffusione avversaria relativistica che utilizza risonanze magnetiche multi-sequenza (T1 e T2-FLAIR) per sintetizzare immagini PET multi-traccianti con alta fedeltà, superando le limitazioni delle metodologie esistenti nella cattura di dettagli anatomici e patologici.
Questo lavoro presenta un framework di sintesi video basato su diffusione che, trasformando le scene chirurgiche in rappresentazioni geometriche astratte, permette di generare in modo controllato eventi rari e critici per la sicurezza in sala operatoria, superando le limitazioni dei dataset reali e supportando lo sviluppo di modelli di intelligenza artificiale per il rilevamento di violazioni del campo sterile.
Il paper propone MMLoP, un framework di prompting multi-modale a basso rango che adatta efficientemente i modelli visione-linguaggio come CLIP a compiti downstream con soli 11.5K parametri, ottenendo prestazioni superiori rispetto ai metodi esistenti grazie a tecniche di regolarizzazione, correzione della deriva e allineamento cross-modale.
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.