8426 articoli
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.
Il paper presenta ShapeShift, un metodo che utilizza la guida semantica dei modelli di diffusione per risolvere le sovrapposizioni tra oggetti rigidi in modo anisotropo e semanticamente coerente, generando così mosaici che rispettano sia la validità fisica che il concetto visivo descritto dal testo.
Questo lavoro introduce il dataset e il benchmark Qualcomm Interactive Video Dataset (IVD) per valutare le capacità dei modelli visione-linguaggio di rispondere in tempo reale a domande su scene reali, dimostrando che, sebbene i modelli attuali siano molto inferiori agli esseri umani, il fine-tuning su questo tipo di dati può colmare significativamente il divario nelle competenze percettive necessarie.
Il paper propone un metodo innovativo per l'apprendimento incrementale di nuove classi con pochi esempi, ispirato all'analogia umana, che genera pesi per le nuove classi senza fine-tuning dei parametri utilizzando un generatore analogico basato su tre moduli specifici, ottenendo risultati superiori rispetto agli stati dell'arte su diversi dataset.
Il paper introduce JavisDiT, un modello Transformer di diffusione congiunto audio-video che garantisce una generazione sincronizzata di alta qualità attraverso un meccanismo di priorizzazione spaziotemporale gerarchica (HiST-Sypo) e un nuovo benchmark chiamato JavisBench.
Il paper introduce STEP, un metodo di probing leggero che incorpora l'ordine temporale tramite codifiche posizionali e un meccanismo di attenzione semplificato, superando sia il probing convenzionale che le tecniche di fine-tuning più pesanti nel riconoscimento di azioni quasi simmetriche per l'interazione uomo-robot.