8412 articoli
Il documento propone il Face Pyramid Vision Transformer (FPVT), una nuova architettura che integra meccanismi di riduzione spaziale e dimensionale con un embedding di patch migliorato e una rete feed-forward convoluzionale per estrarre rappresentazioni facciali discriminative multi-scala, ottenendo prestazioni eccellenti su diversi benchmark con un numero ridotto di parametri rispetto agli stati dell'arte esistenti.
Questo studio combina esperimenti psicofisici umani e un modello computazionale biologicamente ispirato chiamato SeCo per dimostrare che sia gli esseri umani che l'intelligenza artificiale possono apprendere rapidamente il ragionamento contestuale e inferire oggetti nascosti in scene complesse senza supervisione esplicita.
Il paper presenta RDFC-GAN, una rete di fusione end-to-end basata su CycleGAN che combina una struttura encoder-decoder con mappature di normalità e un modulo di fusione RGB-profondità per generare mappe di profondità dense e complete a partire da dati incompleti in ambienti interni, superando le limitazioni delle tecniche esistenti su regioni estese prive di dati.
Questo paper propone un modello di previsione spaziotemporale basato su una rete neurale guidata da principi fisici che utilizza un metodo di Runge-Kutta adattivo del secondo ordine e un modulo Fourier potenziato per la frequenza, ottenendo prestazioni superiori rispetto agli stati dell'arte con un numero ridotto di parametri.
Questo studio dimostra che un sistema di stima della posa senza marcatori basato su DeepLabCut addestrato su misura e affinato con la funzione di raffinamento supera le prestazioni dei modelli pre-addestrati e di OpenPose, offrendo una soluzione economica e precisa per l'analisi del cammino in ambienti naturali.
Il paper presenta PASS, un nuovo framework basato su una rete iper-recorrente che utilizza prompt visivi per identificare modelli di sparsità strutturale di alta qualità, migliorando significativamente l'efficienza e l'accuratezza dei modelli di visione artificiale rispetto alle tecniche di pruning tradizionali.
Il paper introduce MathScape, un nuovo benchmark basato su immagini reali che valuta le capacità di ragionamento matematico dei modelli multimodali, rivelando che anche i modelli più avanzati faticano a gestire contesti pratici rispetto a quelli sintetici e rimangono inferiori alle prestazioni umane.
Il paper propone -Mesh, un framework di apprendimento per rinforzo che migliora la ricostruzione di mesh da NeRF combinando la supervisione tramite immagini pseudo-sintetizzate con una strategia di selezione dinamica delle viste basata su UCB per ottimizzare simultaneamente geometria e aspetto.
Il paper propone il modello CT-AGRG, un sistema che genera relazioni radiologiche guidate dalle anomalie individuate nei volumi CT toracici 3D, migliorando significativamente la qualità e la rilevanza clinica dei report rispetto ai metodi esistenti.
Questo lavoro propone una nuova rappresentazione geometrica basata su distribuzioni e modelli di diffusione che supera i limiti delle reti coordinate tradizionali, consentendo di modellare con alta fedeltà strutture complesse e non chiuse, oltre a abilitare applicazioni avanzate come la compressione neurale e il rendering dinamico.
Il paper presenta Speedy-Splat, un approccio che accelera drasticamente il rendering e riduce le dimensioni del modello nella ricostruzione 3D tramite Gaussian Splatting ottimizzando la localizzazione delle primitive e introducendo una nuova tecnica di pruning.
Il paper introduce MEt3R, una nuova metrica indipendente dal processo di campionamento che valuta la coerenza multi-vista nelle immagini generate sfruttando ricostruzioni 3D dense ottenute tramite DUSt3R per confrontare le mappe di caratteristiche e misurare la similarità in modo invariante agli effetti dipendenti dalla vista.
Il paper presenta una soluzione rapida e accurata al problema della prospettiva a quattro punti, basata su una nuova separazione delle variabili che riduce il problema a un'orientazione assoluta risolvibile con formule esplicite, risultando significativamente più veloce degli algoritmi esistenti mantenendo un'accuratezza comparabile.
Questo lavoro propone un innovativo framework di apprendimento auto-supervisionato che sfrutta le caratteristiche spaziali e temporali delle immagini Street View per apprendere rappresentazioni robuste degli ambienti urbani, superando i metodi esistenti in compiti come il riconoscimento dei luoghi, la stima socioeconomica e la percezione uomo-ambiente.
Questo studio presenta SAMRI-2, un modello di visione artificiale basato sulla memoria e arricchito da una strategia di mescolamento ibrida, che supera le prestazioni degli attuali metodi di segmentazione per la cartilagine e il menisco nelle risonanze magnetiche 3D del ginocchio, garantendo alta precisione con un ridotto sforzo di annotazione.
Il paper propone IVPT, un nuovo framework che migliora l'interpretabilità del visual prompt tuning collegando i prompt a concetti semantici umani attraverso prototipi cross-layer, garantendo al contempo prestazioni superiori nelle classificazioni fine-grained.
Il paper introduce Hier-COS, un nuovo framework che allinea le rappresentazioni degli features alla gerarchia delle classi tramite sottospazi ortogonali, corregge le metriche di valutazione esistenti con HOPS e dimostra prestazioni superiori su dataset complessi rispetto agli stati dell'arte.
Il paper propone SpHOR, un metodo di apprendimento rappresentativo che migliora il riconoscimento in scenari open-set attraverso embedding di etichette ortogonali, vincoli sferici e tecniche di regolarizzazione, ottenendo risultati all'avanguardia su diversi benchmark.
Il paper presenta PSGait, un framework innovativo che combina lo scheletro di parsing con i contorni per migliorare l'accuratezza e l'efficienza del riconoscimento dell'andatura in scenari reali, superando i metodi esistenti con minori risorse computazionali.
Il paper introduce VideoMind, un agente video-linguistico innovativo che utilizza un flusso di lavoro basato su ruoli e un meccanismo Chain-of-LoRA per migliorare il ragionamento temporale e la capacità di fornire risposte fondate su evidenze visive nei video.