9815 articoli
Il paper propone TraceVision, un modello visione-linguaggio unificato che integra la comprensione spaziale consapevole delle traiettorie per simulare l'attenzione visiva umana, ottenendo prestazioni all'avanguardia in compiti di generazione di didascalie, localizzazione e segmentazione grazie a un nuovo modulo di percezione visiva, una pipeline di addestramento in tre fasi e il dataset RILN.
Il paper propone un framework di distillazione duale basato su contrasto che allinea modelli fondazione ottici e multispettrali per migliorare l'apprendimento delle rappresentazioni nell'osservazione terrestre, ottenendo risultati all'avanguardia in compiti come la segmentazione semantica e il rilevamento dei cambiamenti.
Questo lavoro introduce VBVR, un dataset su larga scala e un framework di valutazione per colmare il divario nella ricerca sul ragionamento video, consentendo studi di scalabilità che mostrano i primi segni di generalizzazione emergente verso compiti non visti.
Mobile-O è un modello multimodale unificato e compatto che, grazie al suo innovativo proiettore di condizionamento (MCP) e a un addestramento efficiente, abilita per la prima volta su dispositivi mobili prestazioni competitive nella comprensione e generazione visiva in tempo reale, eliminando la dipendenza dal cloud.
Il paper presenta VISION-ICE, un framework basato su reti neurali convoluzionali 3D che analizza i video dell'ecocardiografia intracardiaca per localizzare automaticamente l'origine delle aritmie, dimostrando la fattibilità di ridurre i tempi procedurali e migliorare le decisioni cliniche.
Il paper presenta OptimusVLA, un modello VLA potenziato da una memoria duale che combina un prior globale e una memoria di coerenza locale per migliorare l'efficienza inferenziale, la robustezza e la precisione nella manipolazione robotica rispetto agli stati dell'arte.
Questo lavoro presenta un framework basato su modelli visione-linguaggio che de-renderizza, analizza e corregge i grafici identificando errori di progettazione e suggerendo modifiche concrete per migliorare la qualità delle visualizzazioni e la competenza degli utenti.
Il paper presenta N4MC, il primo framework di compressione neurale 4D che, sfruttando la ridondanza temporale e l'interpolazione basata su transformer, supera lo stato dell'arte nella compressione di sequenze di mesh variabili nel tempo consentendo al contempo una decodifica in tempo reale.
Il paper introduce Inspectorch, un framework open-source basato su modelli di flusso probabilistici che analizza efficientemente grandi volumi di dati solari per identificare eventi rari e anomali, ottimizzando così l'uso delle risorse computazionali per lo studio di fenomeni fisici estremi.
Il paper propone GSNR, un metodo che migliora la risoluzione dei problemi inversi nell'imaging incorporando informazioni strutturate nello spazio nullo tramite una rappresentazione basata su grafi, ottenendo risultati superiori rispetto ai modelli esistenti in termini di qualità dell'immagine ricostruita.
Questo lavoro introduce il primo framework per la tracciabilità dei circuiti nei modelli visione-linguaggio, rivelando come integrino gerarchicamente concetti visivi e semantici per il ragionamento multimodale e dimostrando la causalità e il controllo di tali circuiti attraverso tecniche di steering e patching.
Questo studio presenta un pipeline end-to-end che combina lo streaming video in tempo reale da droni, la fusione sensoriale e l'ottimizzazione del Gaussian Splatting 3D per generare ricostruzioni 3D fotorealistiche di grandi scenari esterni con latenza ridotta e prestazioni di rendering superiori rispetto ai metodi basati su NeRF.
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.