9169 articoli
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.
Questo lavoro presenta LUMIR25, un metodo di registrazione zero-shot che ha ottenuto il primo posto nella sfida Learn2Reg 2025, combinando induttivi bias specifici per la registrazione con strategie di randomizzazione dell'intensità e ottimizzazione istanza-specifica per generalizzare con successo la registrazione T1-T1 a diversi contrasti e domini senza sintesi esplicita delle immagini.
Il paper presenta ViewRope, un metodo di embedding posizionale rotativo consapevole della geometria che, integrando le direzioni dei raggi della camera nei livelli di attenzione dei transformer video, risolve il problema della deriva geometrica nei modelli di mondo video garantendo una coerenza spaziale a lungo termine e riducendo i costi computazionali.
Il paper presenta Agent Banana, un framework agentic gerarchico che risolve le sfide dell'editing di immagini professionali attraverso meccanismi di "Context Folding" e "Image Layer Decomposition" per garantire coerenza multi-turno e fedeltà agli oggetti, validato sul nuovo benchmark ad alta definizione HDD-Bench.
Questo articolo presenta un algoritmo di rilevamento degli oggetti leggero ed efficiente dal punto di vista energetico per i sistemi IoT, basato sul metodo della differenza di frame e ottimizzato su dispositivi edge, che supera significativamente i metodi end-to-end in termini di accuratezza, efficienza e latenza, specialmente per oggetti in rapido movimento come treni e aerei.
Il paper presenta Tele-Omni, un framework multimodale unificato che integra modelli linguistici e generatori basati su diffusione per eseguire compiti di generazione e modifica video tramite istruzioni eterogenee (testo, immagini e video di riferimento) in un unico modello.
Il paper presenta Time2General, un framework per la segmentazione semantica video generalizzabile a nuovi domini che utilizza un decoder di memoria spaziotemporale e una nuova funzione di perdita per garantire stabilità temporale e robustezza alle variazioni di campionamento, eliminando il flicker senza necessità di adattamento al test.
Il paper presenta SAGE, un framework agentico scalabile che genera automaticamente ambienti 3D realistici e fisicamente validi per l'addestramento di agenti embodied, superando i limiti delle pipeline esistenti attraverso un processo iterativo di generazione e valutazione critica.
Questo paper presenta soluzioni specifiche per la classificazione delle radiografie toraciche che affrontano la scarsità di supervisione dovuta a distribuzioni di malattie sbilanciate e annotazioni mancanti, ottenendo il primo posto nella sfida CXR-LT 2026 grazie a strategie di apprendimento multi-etichetta e zero-shot.
Il paper introduce MedVAR, il primo modello fondazionale autoregressivo che utilizza la previsione di scala successiva per generare efficientemente immagini mediche multiscala ad alta fedeltà, supportato da un dataset armonizzato di 440.000 immagini CT e MRI.
Questo studio presenta un nuovo dataset pubblico per il rilevamento della maturità delle fragole e valuta le prestazioni comparative dei modelli YOLOv8, YOLOv9 e YOLO11, dimostrando che i modelli di piccole e medie dimensioni offrono un equilibrio ottimale per le applicazioni di agricoltura intelligente.
Lo studio dimostra che i modelli visione-linguaggio falliscono nel localizzare accuratamente celle riempite in griglie binarie prive di testo, rivelando che la loro capacità di ragionamento spaziale dipende criticamente da un percorso di riconoscimento testuale che supera di gran lunga le loro abilità visive native.