8516 articoli
Il paper presenta Le-DETR, un nuovo modello di rilevamento oggetti in tempo reale che combina un design efficiente del backbone (EfficientNAT) e un codificatore ibrido ridisegnato per raggiungere prestazioni all'avanguardia (SOTA) con costi di pre-addestramento ridotti dell'80% rispetto ai metodi precedenti.
Il paper introduce CHAIN, un nuovo benchmark interattivo 3D basato sulla fisica che valuta la capacità dei modelli Vision-Language di pianificare azioni complesse vincolate da strutture fisiche, rivelando che gli attuali modelli avanzati faticano ancora a comprendere e tradurre in modo affidabile tali vincoli causali in piani d'azione a lungo termine.
Il paper presenta MIP Candy, un framework PyTorch open-source e modulare progettato per l'elaborazione di immagini mediche, che offre una pipeline completa e flessibile per il training, l'inferenza e la valutazione, permettendo agli utenti di personalizzare facilmente i componenti del modello e integrare strumenti di tracciamento sperimentale.
Il paper presenta CLIPGlasses, un framework plug-and-play che migliora la capacità di CLIP di comprendere descrizioni visive negate senza fine-tuning, utilizzando moduli "Lens" e "Frame" per disentanglare i significati negati e penalizzare le corrispondenze errate, ottenendo così prestazioni superiori, specialmente in scenari cross-domain e con risorse limitate.
OmniOCR è un framework universale basato su Dynamic LoRA che supera le limitazioni dei modelli esistenti nel riconoscimento ottico dei caratteri per le lingue delle minoranze etniche, ottenendo risultati all'avanguardia su script complessi e a risorse scarse con un'efficienza parametrica superiore.
Il paper presenta OCR-Agent, un nuovo framework iterativo di auto-correzione che potenzia i modelli Vision-Language attraverso la riflessione sulle capacità e sulla memoria, permettendo loro di superare i bias cognitivi e raggiungere risultati all'avanguardia nel benchmark OCRBench v2 senza necessità di ulteriore addestramento.
Il paper presenta VAUQ, un framework di quantificazione dell'incertezza consapevole della visione che, misurando quanto l'output di un modello LVLM dipenda dalle evidenze visive tramite un punteggio di informazione sull'immagine e una strategia di mascheramento non supervisionata, offre una valutazione autonoma dell'accuratezza delle risposte superiore ai metodi esistenti.
Questo lavoro propone un nuovo paradigma di addestramento ispirato alla neuroscienza affettiva, che utilizza un framework a doppio modello con aggiornamenti condivisi e attivazione selettiva per migliorare le prestazioni di un modello di base e di uno più grande, riducendo al contempo i costi computazionali.
Il paper propone ProxyFL, un framework guidato da proxy che utilizza i pesi apprendibili del classificatore come proxy unificati per mitigare simultaneamente l'eterogeneità esterna tra i client e quella interna tra dati etichettati e non etichettati nel contesto dell'apprendimento federato semi-supervisionato.
Questo articolo propone un metodo automatico basato sulla programmazione lineare intera per determinare il posizionamento ottimale dei sensori di profondità a tempo di volo (ToF) negli uffici, al fine di massimizzare l'accuratezza nel rilevamento dell'occupazione delle zone preservando la privacy e ottimizzando il risparmio energetico.
Questo lavoro presenta UDVideoQA, un nuovo dataset e benchmark per il Question Answering su video del traffico urbano, progettato per valutare e migliorare la capacità dei modelli linguistici visivi di eseguire ragionamenti spaziotemporali complessi su dinamiche multi-agente in scenari reali, garantendo al contempo la privacy attraverso tecniche di offuscamento dinamico.
Gli autori presentano SynthRender, un framework open-source per la generazione di immagini sintetiche con randomizzazione di dominio guidata, e IRIS, un nuovo dataset industriale, dimostrando come questa combinazione superi le tecniche esistenti per il trasferimento bidirezionale Sim-Real nella percezione di oggetti industriali, raggiungendo prestazioni superiori su diversi benchmark.
Il paper presenta LUMEN, un nuovo framework di addestramento per modelli visione-linguaggio ottimizzato per l'interpretazione longitudinale di radiografie toraciche che, sfruttando il fine-tuning multi-immagine e multi-task su dataset come MIMIC-CXR, migliora significativamente le prestazioni diagnostiche e dimostra un potenziale promettente per la prognosi.
Il paper presenta SPRITETOMESH, una pipeline automatica ibrida che combina segmentazione neurale e algoritmi geometrici per convertire istantaneamente gli sprite 2D in mesh per l'animazione scheletrica, superando i limiti della predizione diretta delle posizioni dei vertici e riducendo i tempi di creazione manuale da minuti a pochi secondi.
Il paper propone un nuovo paradigma di recupero visivo controllabile per qualità che utilizza un modello linguistico generativo per arricchire query brevi e ambigue con dettagli contestuali e livelli di qualità espliciti, migliorando significativamente i risultati di recupero senza modificare i modelli visione-linguaggio preaddestrati.
Il paper presenta XMorph, un framework di intelligenza artificiale spiegabile ed efficiente che combina un meccanismo di normalizzazione dei bordi pesato per l'informazione con un modulo ibrido LLM-GradCAM++ per ottenere un'accurata classificazione dei tumori cerebrali (96,0%) fornendo al contempo insight clinici interpretabili.
Il paper introduce Mask-HybridGNet, un framework innovativo che addestra modelli di segmentazione basati su grafi utilizzando esclusivamente maschere pixel-wise standard, permettendo l'acquisizione emergente di corrispondenze anatomiche consistenti tra pazienti senza la necessità di annotazioni manuali di punti di riferimento.
Il paper presenta Spa3R, un framework auto-supervisionato che apprende rappresentazioni spaziali unificate da immagini 2D non posizionate tramite la modellazione di campi spaziali predittivi, permettendo ai modelli visione-linguaggio di raggiungere uno stato dell'arte nel ragionamento 3D senza dipendere da dati espliciti tridimensionali.
Il paper presenta HVG, un modello di diffusione video latente che genera video umani di alta qualità, coerenti nello spazio e nel tempo e multi-vista a partire da una singola immagine, consentendo il controllo della posa 3D e della vista attraverso l'uso di una mappa ossea duale, l'allineamento temporale e un campionamento spaziotemporale progressivo.
Gli autori presentano TomoROIS-SurfORA, un framework in due fasi che combina segmentazione diretta delle regioni di interesse tramite deep learning e analisi morfologica delle superfici per caratterizzare quantitativamente le membrane e le loro interazioni nei dati di tomografia crioelettronica.