8647 articoli
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.
Il paper presenta MedDIFT, un framework di corrispondenza 3D privo di addestramento che sfrutta le rappresentazioni multi-scala di un modello di diffusione latente preaddestrato per ottenere un allineamento anatomico accurato nelle immagini mediche, superando i limiti dei metodi basati sulla similarità locale.
Questo lavoro presenta CheXmask-U, un nuovo dataset su larga scala e un metodo ibrido per la stima dell'incertezza nella segmentazione anatomica basata su punti chiave delle radiografie toraciche, che migliora l'affidabilità e la sicurezza delle previsioni attraverso la quantificazione dell'incertezza latente e predittiva.
Il paper introduce MRD, un metodo che utilizza il rendering differenziabile basato sulla fisica per generare metameri di scena che attivano allo stesso modo i modelli di visione, permettendo così di analizzare la loro comprensione implicita delle proprietà 3D come forma e materiale.
Il paper presenta DL³M, un framework che combina il modello ibrido MobileCoAtNet per la classificazione di immagini endoscopiche con grandi modelli linguistici per generare ragionamenti clinici strutturati, evidenziando come, sebbene una classificazione accurata migliori la qualità delle spiegazioni, gli attuali LLM rimangano ancora inaffidabili per le decisioni mediche ad alto rischio a causa della loro instabilità.
Il paper propone FALCON-SFOD, un framework per l'object detection senza sorgente che migliora l'attenzione agli oggetti nello spazio delle caratteristiche sfruttando i prior dei modelli fondazionali tramite regolarizzazione spaziale e un'etichettatura pseudo robusta al rumore, superando così i limiti degli approcci basati su Mean-Teacher.
Il paper presenta REVEALER, un framework unificato che utilizza il ragionamento visivo guidato dal rinforzo per valutare con precisione e interpretabilità l'allineamento tra testo e immagine a livello di elementi, superando le prestazioni degli attuali metodi di valutazione.
Il paper introduce Object-WIPER, un framework senza addestramento che rimuove oggetti dinamici e i loro effetti visivi dai video utilizzando un modello di diffusione pre-addestrato, garantendo un'inpainting coerente nel tempo e nello spazio senza necessità di riaddestramento.
Il paper presenta LookBench, un benchmark aperto, dinamico e olistico per il recupero di immagini di moda in contesti e-commerce reali, che integra dati provenienti da siti web live e immagini generate dall'IA per valutare in modo robusto e aggiornato le prestazioni dei modelli di retrieval.
Il paper introduce PyraTok, un tokenizzatore piramidale allineato al linguaggio che apprende latenti discreti strutturati semanticamente a più risoluzioni spaziotemporali, ottenendo prestazioni all'avanguardia nella ricostruzione, generazione e comprensione zero-shot dei video fino a risoluzioni 4K/8K.
Il paper presenta Emotion-LLaMAv2, un nuovo framework end-to-end con un'architettura di fusione avanzata e un curriculum di addestramento, insieme al benchmark MMEVerse, che aggrega e riannota 12 dataset emotivi per creare un set di dati su larga scala e standardizzato per il ragionamento e il riconoscimento delle emozioni multimodali.
Il paper presenta FineVAU, un nuovo benchmark per la comprensione delle anomalie video che introduce il dataset FineW3 e la metrica di valutazione FVScore, allineata alla percezione umana, per superare i limiti delle valutazioni attuali e rivelare le carenze dei modelli LVLM nell'analisi spaziale e temporale fine delle anomalie.
Il paper propone RepSFNet, un'architettura leggera e ad alte prestazioni per il conteggio delle folle che utilizza la riparametrizzazione strutturale e la fusione di caratteristiche per ottenere alta precisione e bassa latenza su dispositivi edge.
Il paper propone DyMo, un nuovo framework di selezione dinamica delle modalità a tempo di inferenza che risolve il dilemma tra scarto e imputazione dei dati multimodali incompleti massimizzando le informazioni rilevanti per il compito tramite una funzione di ricompensa basata sulla perdita del task, ottenendo prestazioni superiori rispetto agli stati dell'arte su diversi dataset.
Il paper presenta CMAFNet, una rete di allineamento e fusione cross-modale che integra RGB e profondità attraverso un paradigma di purificazione e fusione per migliorare il rilevamento di difetti su piccole linee di trasmissione, ottenendo prestazioni superiori rispetto agli stati dell'arte su benchmark specifici.
Questo studio presenta un framework ibrido di registrazione e segmentazione per l'analisi di tumori epatici in regime di supervisione debole, dimostrando che, sebbene sia possibile trasferire etichette tra MRI e CT per anatomie visibili, la segmentazione di patologie "invisibili" nel CT rimane una sfida aperta a causa dell'assenza di caratteristiche discriminative.