10010 articoli
Questo lavoro presenta RobustVLA, un metodo che migliora la robustezza dei modelli Vision-Language-Action contro perturbazioni multi-modali attraverso l'ottimizzazione offline del rumore nelle azioni e la formulazione della robustezza come problema di bandit multi-braccio, ottenendo significativi guadagni nelle prestazioni sia in simulazione che su robot reali.
Il paper presenta DeLTa, un nuovo framework che combina stime di profondità e pose 6D con la pianificazione guidata dal linguaggio e una singola dimostrazione per abilitare la manipolazione robotica precisa e generalizzabile di oggetti trasparenti sconosciuti in compiti a lungo termine.
Il paper propone Spatial-DISE, un benchmark unificato e un dataset scalabile basati su una tassonomia cognitiva che valuta la capacità di ragionamento spaziale intrinseco ed estrinseco (statico e dinamico) nei modelli visione-linguaggio, rivelando un significativo divario rispetto alle competenze umane.
Il paper introduce UniGenBench++, un benchmark unificato e multilingue per la valutazione semantica fine-granulare dei modelli di generazione testo-immagine, basato su 600 prompt diversificati e su un pipeline di valutazione automatizzata che ne rivela punti di forza e debolezze.
Il paper presenta egoEMOTION, il primo dataset che combina segnali visivi egocentrici e fisiologici con autovalutazioni di emozioni e personalità per definire nuovi benchmark di riconoscimento affettivo in scenari reali.
Questo lavoro introduce un nuovo framework multimodale che integra dati acustici e visivi per localizzare con precisione gli eventi chirurgici nello spazio 3D, migliorando la comprensione contestuale delle scene operatorie dinamiche e gettando le basi per sistemi chirurgici intelligenti.
Il paper presenta SpecAware, un modello fondazionale consapevole del contenuto spettrale che unifica l'apprendimento multi-sensore per la mappatura iperspettrale tramite un'architettura basata su iperreti e un nuovo dataset di pre-addestramento su larga scala, superando le limitazioni legate all'eterogeneità dei canali spettrali tra diversi sensori.
Il paper presenta VCFlow, un'architettura di decodifica visiva ispirata ai processi cognitivi che, modellando l'organizzazione ventrale-dorsale del sistema visivo e utilizzando l'apprendimento contrastivo, permette una ricostruzione video rapida e scalabile da segnali fMRI senza necessità di addestramento specifico per il soggetto.
Questo lavoro presenta il primo metodo di rilevamento dei cambiamenti scenici online, pose-agnostico e privo di etichette, che fonde più viste tramite una nuova funzione di perdita auto-supervisionata e aggiornamenti rapidi basati su 3D Gaussian Splatting, superando le prestazioni degli approcci offline esistenti con un'efficienza in tempo reale superiore a 10 FPS.
Il paper presenta CuriGS, un framework che utilizza un approccio curricolare e viste "studenti" pseudo-generate per migliorare la ricostruzione 3D da viste sparse tramite Gaussian Splatting, ottenendo risultati superiori in fedeltà e coerenza geometrica rispetto agli stati dell'arte.
Il paper propone PPCL, un framework di pruning strutturato e flessibile per i Diffusion Transformers che, combinando l'identificazione di layer ridondanti con una distillazione alternata plug-and-play, riduce il numero di parametri del 50% mantenendo prestazioni di generazione immagini quasi invariate.
Il paper introduce ViPO, una variante dell'ottimizzazione della politica di gruppo relativa (GRPO) che trasforma i feedback a scalare in mappe di vantaggio strutturate a livello di pixel per allineare meglio i modelli generativi visivi alle preferenze umane, correggendo efficacemente gli artefatti localizzati e migliorando le prestazioni sia su immagini che su video.
Il paper presenta KeyTailor, un nuovo framework basato su un'iniezione di dettagli guidata da fotogrammi chiave e sul dataset ViT-HD, che risolve le sfide della fedeltà dei dettagli e dell'integrità dello sfondo nel virtual try-on video senza modificare l'architettura DiT sottostante.
Il paper presenta CogFlow, un nuovo framework ispirato alla cognizione umana che risolve le difficoltà dei modelli linguistici multimodali nella risoluzione di problemi matematici visivi integrando percezione, interiorizzazione della conoscenza e ragionamento attraverso meccanismi di ricompensa sinergica e ottimizzazione strategica, supportato dal nuovo dataset MathCog.
Il paper presenta Fast-ThinkAct, un framework efficiente che riduce drasticamente la latenza di inferenza nei modelli Vision-Language-Action attraverso un ragionamento latente verbalizzabile, mantenendo al contempo elevate capacità di pianificazione e adattamento in compiti di manipolazione complessi.
Il paper presenta MetamerGen, un modello di diffusione latente che genera metameri visivi allineati alla comprensione umana delle scene fondendo informazioni di "gist" periferiche a bassa risoluzione con dettagli ad alta risoluzione dalle fissazioni, validando così la sua efficacia attraverso esperimenti comportamentali che dimostrano come l'allineamento semantico basato sulle fissazioni dell'osservatore sia cruciale per la percezione di identità tra immagine originale e generata.
Il paper propone THz-SSDD, una rete neurale auto-supervisionata basata sull'analisi delle componenti principali che risolve simultaneamente il rumore e la sfocatura nelle immagini terahertz sfruttando una strategia di apprendimento "Recorrupted-to-Recorrupted" senza bisogno di dati etichettati.
Questo articolo propone una tassonomia a tre livelli e un'API unificata basata su TorchGeo per standardizzare l'accesso ai prodotti di embedding pre-calcolati dei Modelli Fondamentali Geospaziali, superando le barriere di interoperabilità e facilitando il confronto tra modelli e la riproducibilità nell'osservazione della Terra.
Il paper introduce ACLNet, una rete di apprendimento contrastivo basata sull'affinità che migliora la comprensione delle attività umane scheletriche sfruttando le similarità strutturali tra classi e gestendo dinamicamente i campioni anomali per ottenere una migliore discriminazione delle caratteristiche.
Il paper presenta CER-HV, un framework human-in-the-loop che combina un rilevatore di rumore basato su CER e la verifica umana per identificare e correggere errori nei dataset di riconoscimento di testo manoscritto in caratteri arabi, migliorando significativamente la qualità dei dati e le prestazioni dei modelli.