1871 articoli
Il paper propone Graph-of-Mark (GoM), una tecnica di prompting visivo basata su grafi che sovrappone scene grafiche alle immagini per migliorare le capacità di ragionamento spaziale dei modelli linguistici multimodali, ottenendo risultati significativamente superiori rispetto ai metodi esistenti.
Questo paper presenta un sistema di inferenza ottimizzato per la generazione video basato su trasformatori di diffusione, che utilizza un'incodifica posizionale 3D sequenziale-parallela con un indice temporale globale per ridurre la latenza e l'uso di memoria, permettendo la generazione di video in tempo reale con qualità comparabile.
Questo studio rivela che, nel contesto medico, il ragionamento a catena di pensiero (CoT) spesso peggiora le prestazioni rispetto alla risposta diretta a causa di un collo di bottiglia nella percezione visiva, ma dimostra che interventi di ancoraggio percettivo e grounding descrittivo possono ripristinare l'accuratezza migliorando l'allineamento cross-modale.
Il paper presenta SJD-PV, un metodo di accelerazione senza addestramento per la generazione di immagini autoregressiva che riduce la latenza fino al 30% verificando speculativamente gruppi di token correlati (frasi) invece di singoli token, preservando al contempo la qualità visiva.
Il paper propone CalibFusion, un rilevatore di fusione radar-camera basato su transformer che apprende end-to-end il raffinamento differenziabile della calibrazione estrinseca per migliorare la rilevazione 2D in ambienti acquatici caratterizzati da texture scarse e clutter radar.
Lo studio dimostra che, sebbene l'inizializzazione con rumore semantico mostri un lieve trend positivo su alcune dimensioni temporali nella generazione video, i risultati complessivi non superano significativamente la baseline con rumore gaussiano a causa di un segnale debole e instabile, suggerendo l'adozione di valutazioni accoppiate e diagnosi nello spazio del rumore come pratica standard.
Questo articolo presenta un autoencoder CNN non supervisionato, dotato di una funzione di perdita basata sulla distanza angolare spettrale ponderata (WSAD), per l'analisi non distruttiva e l'identificazione automatica dei componenti nei campioni stratificati di dipinti storici, come dimostrato su una sezione trasversale del Polittico di Gand.
Il paper presenta AutoFigure-Edit, un sistema end-to-end che genera illustrazioni scientifiche completamente modificabili e adattabili stilisticamente partendo da testi lunghi, combinando la comprensione del contesto, lo stile guidato da riferimenti e la modifica nativa in SVG.
Questo lavoro presenta un modello ibrido di apprendimento few-shot integrato con l'intelligenza artificiale spiegabile (XAI) per diagnosticare con alta precisione e trasparenza le malattie delle foglie di mais, riso e grano anche in condizioni di dati annotati limitati.
Il paper propone PRPO, un metodo di ottimizzazione parallela per risolvere i conflitti di addestramento nei modelli LVLM per l'analisi dei grafici, e MCDR-Bench, una nuova benchmark per la valutazione oggettiva delle capacità di ricerca approfondita, stabilendo un quadro unificato che supera le attuali limitazioni nell'intelligenza dei dati visivi.
Il paper introduce MultiGen, un motore di gioco basato su diffusione che integra una memoria esterna persistente e modulare per abilitare il controllo modificabile degli utenti sull'ambiente e garantire interazioni coerenti in mondi multiplayer condivisi.
Il paper presenta VB, un nuovo benchmark che valuta la capacità dei modelli visione-linguaggio di determinare la visibilità degli elementi in un'immagine e di astenersi quando la risposta non è affidabile, utilizzando un design sperimentale controllato per misurare l'accuratezza, la robustezza agli editing minimi e il ragionamento prospettico.
Il paper introduce RADAR, un nuovo benchmark multimodale basato su immagini CT addominali 3D e report radiologici, progettato per valutare la capacità dei modelli di analizzare le discrepanze cliniche e le modifiche apportate durante la revisione dei referti da parte di radiologi esperti.
Il paper propone ECHO, un framework multi-agente che utilizza operazioni su ipergrafi condivisi e una strategia di collegamento prima del vincolo per migliorare l'estrazione di eventi multimodali riducendo gli errori di propagazione e superando le prestazioni dello stato dell'arte.
Questo articolo presenta un approccio innovativo basato su tecniche di Structure-from-Motion e segmentazione 3D che permette di ricostruire e analizzare la forma e le dimensioni degli aggregati direttamente dalle foto o video acquisiti con dispositivi mobili, offrendo una soluzione economica e pratica per il controllo qualità in cantiere.
Il paper introduce TimeSpot, un nuovo benchmark composto da 1.455 immagini reali provenienti da 80 paesi per valutare le capacità di ragionamento geo-temporale dei modelli visione-linguaggio, evidenziando che, nonostante i recenti progressi, questi modelli mostrano prestazioni ancora limitate nell'inferenza temporale e nella comprensione spaziale fisicamente fondata.
Il paper presenta "Narrative Weaver", un nuovo framework che risolve il problema della coerenza visiva a lungo raggio nella generazione di contenuti AI integrando pianificazione narrativa multimodale, controllo dettagliato e un meccanismo di memoria dinamica, supportato dal primo dataset di benchmark specifico per storyboard pubblicitari.
Questo lavoro presenta un nuovo framework di apprendimento non supervisionato basato su filtri convoluzionali e reti neurali che, pur in assenza di dataset di addestramento e in condizioni di forte rumore, permette una ricostruzione ad alta fedeltà delle immagini del fascio e una risoluzione senza precedenti della struttura dell'alone nei diagnostici di acceleratori di particelle.
Questo studio dimostra che, sebbene il modello fondazionale multimodale TerraMind possa adattarsi a compiti di imaging iperspettrale tramite strategie di selezione delle bande, le prestazioni inferiori rispetto ai modelli nativi evidenziano la necessità urgente di integrare un tokenizzazione spettrale nativa nelle future architetture di modelli fondazionali geospaziali.
Questo articolo presenta un framework robusto per il rilevamento in un solo passaggio di volanti da badminton per robot mobili, introducendo un nuovo dataset annotato semi-automaticamente e un modello YOLOv8 ottimizzato che funziona efficacemente sia in ambienti noti che in scenari completamente nuovi, superando i limiti delle precedenti soluzioni basate su telecamere fisse.