8642 articoli
Il paper presenta RewardMap, un framework di apprendimento per rinforzo multi-fase che risolve il problema delle ricompense sparse nel ragionamento visivo fine-granularità introducendo il dataset ReasonMap-Plus e un meccanismo di ricompensa adattivo alla difficoltà, ottenendo significativi miglioramenti nelle capacità di ragionamento spaziale e visivo dei modelli linguistici multimodali.
Il paper presenta OBS-Diff, un innovativo framework di pruning one-shot e senza addestramento che adatta l'Optimal Brain Surgeon ai modelli di diffusione testo-immagine, introducendo una costruzione dell'Hessiana sensibile ai timestep e una strategia di pruning sequenziale per ottenere un'accelerazione dell'inferenza con minima perdita di qualità visiva.
Il paper presenta EDJE, un efficiente encoder congiunto discriminativo che precalcola e comprime i token visivi per abilitare un reranking su larga scala di coppie immagine-testo ad alta velocità e basso costo di archiviazione, mantenendo prestazioni competitive rispetto agli approcci esistenti.
Il paper presenta LinVideo, un framework di post-addestramento senza dati che sostituisce selettivamente i moduli di attenzione quadratica con attenzione lineare, ottenendo un'accelerazione da 1,25x a 2,00x e riducendo la latenza fino a 15,92x nei modelli distillati, mantenendo al contempo la qualità della generazione video.
Il documento presenta il modello SSM (State-Specific Model), un nuovo framework che unifica rilevamento e anticipazione delle azioni tramite compressione della memoria basata su stati critici, apprendimento di pattern di azione e interazione cross-temporale, dimostrando prestazioni superiori su diversi dataset di riferimento.
Il paper presenta NEO, una nuova famiglia di modelli visione-linguaggio nativi costruiti da principi fondamentali che, grazie a primitive unificate e un addestramento su larga scala, colmano il divario con i modelli modulari tradizionali rendendo la ricerca in questo campo più accessibile ed efficiente.
Questo studio analizza sistematicamente come la complessità dei prompt influenzi qualità, diversità e coerenza nei modelli testo-immagine, rivelando che l'espansione dei prompt tramite modelli linguistici pre-addestrati supera persino i dati reali in termini di diversità e estetica, pur riducendo lo spostamento distributivo.
Il paper propone MergeMix, un paradigma unificato che combina SFT e RL tramite un'augmentazione basata su Mixup di token, per migliorare l'allineamento, la generalizzazione e l'efficienza dei modelli linguistici multi-modali.
Il documento presenta SYNAPSE-Net, un framework unificato basato su codificatori convoluzionali multi-stream e un'attenzione incrociata modale, progettato per migliorare la robustezza e la generalizzabilità nella segmentazione automatica di lesioni cerebrali eterogenee utilizzando risonanza magnetica multimodale.
Il paper introduce BEAT, il primo framework per iniettare backdoor visive negli agenti embodied basati su modelli visione-linguaggio tramite oggetti ambientali come trigger, utilizzando un innovativo apprendimento contrastivo per garantire un'attivazione precisa e generalizzabile mantenendo al contempo elevate prestazioni nelle attività normali.
Questo articolo presenta una rete neurale convoluzionale 3D leggera basata su visione event-driven per il riconoscimento delle azioni umane, che garantisce la privacy, riduce il consumo computazionale e raggiunge un'accuratezza superiore rispetto alle architetture tradizionali, rendendola ideale per applicazioni edge.
Questo paper propone il *Rank-enhancing Token Fuser*, un framework di fusione multimodale basato sull'efficacia del rango che contrasta simultaneamente il collasso delle caratteristiche e quello delle modalità, dimostrando risultati superiori nell'anticipazione delle azioni umane.
Il paper presenta StreamDiffusionV2, un sistema di streaming training-free basato su modelli di diffusione video che, grazie a un'orchestrazione scalabile e ottimizzazioni specifiche per i vincoli di latenza, garantisce una generazione video interattiva in tempo reale con alta coerenza temporale e prestazioni elevate su hardware eterogeneo.
Il paper presenta PRISM, un framework per la distillazione dei dataset che decoppia i prior architetturali utilizzando modelli insegnanti diversi per la corrispondenza dei logit e l'allineamento della normalizzazione di batch, ottenendo così dati sintetici più diversificati e prestazioni superiori rispetto ai metodi a insegnante singolo o multipli su ImageNet-1K.
Il paper presenta MoDES, un framework senza addestramento che accelera l'inferenza dei modelli MLLM basati su Mixture-of-Experts attraverso l'elusione dinamica degli esperti, utilizzando un meccanismo di gating globale-localmente modulato e una ricerca frontiera per ottimizzare le soglie, ottenendo così significativi miglioramenti sia nelle prestazioni che nella velocità di calcolo rispetto ai metodi esistenti.
Il paper presenta Mantis, un nuovo modello Vision-Language-Action che introduce una previsione visiva svincolata (Disentangled Visual Foresight) per migliorare la comprensione e il ragionamento linguistico, ottenendo prestazioni superiori rispetto agli stati dell'arte sia su benchmark simulati che in scenari reali.
Il paper presenta GuideFlow, un innovativo framework di pianificazione per la guida autonoma end-to-end che utilizza il Flow Matching vincolato per generare traiettorie sicure, diversificate e controllabili, superando i limiti di collasso modale e di ottimizzazione post-generazione delle soluzioni precedenti e ottenendo risultati all'avanguardia sui principali benchmark.
Il paper presenta LocateAnything3D, un approccio nativo per i modelli visione-linguaggio che risolve la rilevazione 3D di oggetti multipli formulandola come un problema di previsione del token successivo tramite una sequenza esplicita "Chain-of-Sight", ottenendo risultati all'avanguardia sul benchmark Omni3D e una forte capacità di generalizzazione zero-shot.
Il paper presenta SelfAI, un sistema multi-agente auto-diretto che automatizza la scoperta scientifica a lungo termine trasformando l'intento di ricerca in un processo decisionale strategico e adattivo, ottimizzando il compromesso tra efficienza e diversità per ridurre i tentativi ridondanti rispetto ai metodi tradizionali.
Il paper presenta GNVC-VD, il primo framework di compressione video neurale generativo basato su un modello fondazionale di generazione video (DiT), che unisce compressione latente spaziotemporale e raffinamento generativo a livello di sequenza per eliminare l'effetto flickering e migliorare la qualità percettiva anche a bitrate estremamente bassi.