9464 articoli
Il paper presenta BiRQA, un modello di valutazione della qualità delle immagini a riferimento completo che combina un'architettura piramidale bidirezionale con una strategia di addestramento avversaria ancorata per ottenere prestazioni all'avanguardia, una velocità di esecuzione in tempo reale e una robustezza significativa contro gli attacchi avversari.
Il paper presenta 3DSPA, un autoencoder di punti semantici 3D che valuta automaticamente il realismo dei video generati dall'IA integrando traiettorie spaziotemporali, informazioni di profondità e caratteristiche semantiche per rilevare violazioni delle leggi fisiche e garantire coerenza temporale senza bisogno di un video di riferimento.
Il paper introduce la Momentum Guidance, una tecnica plug-and-play che migliora la qualità dei campioni nei modelli generativi basati su flussi sfruttando una media mobile esponenziale delle velocità passate lungo la traiettoria ODE, ottenendo risultati superiori senza aumentare il costo computazionale rispetto ai metodi tradizionali.
Questo lavoro introduce un campo estetico 3D basato su Gaussian Splatting che, estraendo conoscenze da modelli 2D preaddestrati e utilizzando catture sparse, permette di suggerire efficientemente punti di vista fotografici esteticamente superiori senza ricorrere a costose esplorazioni RL o acquisizioni dense.
Il paper presenta SimLBR, un framework efficiente che migliora la generalizzazione nella rilevazione di immagini fake definendo un confine decisionale attorno alla distribuzione delle immagini reali tramite la regolarizzazione del blending latente, ottenendo risultati superiori su benchmark difficili e introducendo nuove metriche di valutazione orientate all'affidabilità.
Il paper presenta gQIR, un metodo che adatta i modelli di diffusione latenti su larga scala per ricostruire immagini di alta qualità da burst di frame quantici SPAD rumorosi e sparsi, superando i limiti delle pipeline tradizionali in condizioni di scarsa illuminazione.
Il paper presenta MedCLIPSeg, un nuovo framework che adatta i modelli visione-linguaggio CLIP per la segmentazione di immagini mediche attraverso un'attenzione probabilistica e una perdita contrastiva, ottenendo risultati superiori in termini di accuratezza, efficienza dei dati e generalizzazione su diverse modalità di imaging e organi.
SceMoS è un framework innovativo per la sintesi di movimenti umani 3D guidati dal testo che, disaccoppiando la pianificazione globale dall'esecuzione locale tramite rappresentazioni 2D (immagini BEV e mappe di altezza), raggiunge uno stato dell'arte nel realismo e nell'accuratezza dei contatti riducendo al contempo i parametri di addestramento rispetto ai metodi basati su dati 3D completi.
Il paper propone l'Hyperbolic Flow Matching (HFM) con disaccoppiamento del percorso, un metodo che supera i limiti della geometria euclidea sfruttando la varietà di Lorentz per allineare in modo più efficace le caratteristiche visive e semantiche nel contesto dell'adattamento few-shot, ottenendo risultati state-of-the-art su 11 benchmark.
Il paper presenta Pip-Stereo, un metodo di matching stereo che supera i limiti di efficienza delle architetture iterative tradizionali su hardware edge grazie a una strategia di pruning progressivo, un trasferimento collaborativo di prior monoculari e un nuovo operatore FlashGRU, ottenendo prestazioni in tempo reale e alta accuratezza.
Il lavoro presenta un sistema autonomo per il controllo della camera laparoscopica che combina l'estrazione di strategie da grafi temporali con un modello visione-linguaggio e un controllo di sicurezza, dimostrando prestazioni superiori rispetto ai chirurghi junior nella stabilizzazione dell'immagine e nel mantenimento della inquadratura.
Questo studio analizza come gli artefatti introdotti dall'inpainting basato su diffusione influenzino la generazione linguistica nei modelli visione-linguaggio, fornendo un quadro diagnostico che collega la fedeltà della ricostruzione visiva alla qualità delle didascalie generate.
Questo studio propone un framework leggero di fusione visione-linguaggio che integra MobileNetV3 e DistilBERT per prevedere le valutazioni delle app mobili combinando interfacce utente e informazioni semantiche, ottenendo risultati di alta precisione e favorendo un'implementazione efficiente su dispositivi edge.
Questo articolo presenta una pipeline progressiva che integra DEFOM-Stereo, SAM3 e un'ottimizzazione multistadio della profondità per ridurre il rumore nelle mappe di disparità e generare nuvole di punti 3D coerenti per il singolo ramo, abilitando così la potatura autonoma degli alberi da parte di droni nelle foreste.
Questo studio presenta un sistema di controllo qualità farmaceutico basato su un approccio multi-agente che combina modelli di deep learning e vision-language per automatizzare il rilevamento delle colonie batteriche, riducendo la necessità di verifica umana dell'85% e garantendo conformità normativa.
Questo studio propone il metodo di ottimizzazione Threshold Guarding (TGO) per migliorare la robustezza delle Reti Neurali a Spike (SNN) contro gli attacchi avversari, spostando i potenziali di membrana lontano dalle soglie e introducendo rumore per ridurre la probabilità di inversione dello stato dei neuroni.
Il paper propone un metodo efficiente in termini di campioni per stimare l'evidenza del modello di prior basati su diffusione, consentendo la selezione del prior corretto e la diagnosi di inadeguatezza in problemi inversi di imaging altamente ill-posed, come l'imaging di buchi neri, utilizzando un numero ridotto di campioni posteriori.
Il teorema della base primitiva finita dimostra che ogni modello di imaging computazionale può essere rappresentato in modo approssimato come un grafo diretto aciclico composto da soli 11 primitivi canonici, fornendo così le fondamenta matematiche per il framework del Physics World Model.
Il paper introduce WildGHand, un framework basato sull'ottimizzazione che utilizza lo splatting gaussiano 3D e un modulo di disaccoppiamento delle perturbazioni per ricostruire avatar di mani ad alta fedeltà da video monoculari in ambienti reali, superando le limitazioni delle metodologie esistenti in presenza di interazioni con oggetti, pose estreme e variazioni di illuminazione.
Il paper presenta BFA++, un framework di pruning dinamico dei token progettato specificamente per i modelli Vision-Language-Action che, attraverso una strategia gerarchica a due livelli per identificare le regioni e le viste più rilevanti, migliora significativamente l'efficienza computazionale e il tasso di successo nelle manipolazioni robotiche reali.