9886 articoli
Il rapporto presenta UI-Venus-1.5, un agente GUI unificato e end-to-end che, grazie a un avanzato mid-training, allineamento tramite apprendimento per rinforzo online e fusione di modelli, stabilisce nuovi record di prestazioni su benchmark globali e dimostra robuste capacità di navigazione in app mobili cinesi.
Questo studio dimostra che i modelli fondazionali geospaziali, in particolare Prithvi-EO-2.0 e TerraMind, superano i modelli baselines tradizionali in compiti ecologici chiave come la stima delle caratteristiche forestali e il rilevamento delle torbiere, pur richiedendo un'attenta allineamento dei dati e risoluzioni elevate per massimizzare le prestazioni.
Il paper propone DriveMamba, un modello scalabile basato su State Space (Mamba) che supera le limitazioni dei paradigmi E2E-AD esistenti grazie a una decodifica unificata a complessità lineare e a un'architettura task-centrica che integra modellazione dinamica delle relazioni, corrispondenza implicita tra viste e fusione temporale a lungo termine per una guida autonoma efficiente.
Il paper presenta Sim2Radar, un framework end-to-end che colma il divario tra simulazione e realtà per la percezione radar a onde millimetriche ricostruendo scene 3D materiali-aware da immagini RGB tramite ragionamento visione-linguaggio e simulazione fisica, migliorando significativamente le prestazioni dei modelli di rilevamento oggetti reali attraverso l'addestramento su dati sintetici.
Il paper presenta HERO, un nuovo paradigma che combina modelli visivi open-vocabulary per la generalizzazione con un preciso controllo end-effector appreso tramite simulazione, permettendo ai robot umanoidi di manipolare oggetti arbitrari in ambienti reali non strutturati.
Questo studio presenta la prima mappa ad alta risoluzione dei coltivi arborei in Sud America, evidenziando come le attuali mappe normative possano erroneamente classificare l'agroforestazione come foresta e proponendo un approccio più equo per le politiche di conservazione.
Il paper presenta EAGLE, un framework senza riaddestramento che integra l'output di modelli esperti per guidare i modelli linguistici multimodali verso una rilevazione più accurata e semanticamente interpretabile delle anomalie industriali, dimostrando prestazioni competitive rispetto ai metodi basati sul fine-tuning.
Questo studio propone un framework di apprendimento basato su camminate casuali probabilistiche che, sfruttando le reti di similarità corticale fondate sulle pieghe giroidee individuali, supera le limitazioni delle rappresentazioni atlasiche e le sfide dell'eterogeneità anatomica per migliorare la diagnosi differenziale tra malattia di Alzheimer e demenza con corpi di Lewy.
Il paper presenta MIRROR, un framework che migliora il ragionamento multimodale e riduce le allucinazioni visive attraverso un processo iterativo di riflessione e verifica basato su regioni specifiche dell'immagine, supportato dal nuovo dataset ReflectV.
Il paper introduce SymPL, un framework che trasforma il ragionamento spaziale allocentrico in rappresentazioni simboliche strutturate, migliorando significativamente le prestazioni dei modelli visione-linguaggio in compiti complessi di percezione spaziale da diverse prospettive.
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.