1877 articoli
Il paper presenta AdaGen, un framework generalizzabile e adattivo basato sull'apprendimento per rinforzo che ottimizza il processo di sintesi iterativa delle immagini attraverso una politica adattiva e una ricompensa avversariale, superando le limitazioni degli scheduli statici e migliorando significativamente qualità ed efficienza in diversi paradigmi generativi.
Il paper presenta TrajPred, un nuovo framework basato su modelli visione-linguaggio che migliora il riconoscimento delle interazioni tra strumenti e tessuti in chirurgia robotica integrando le traiettorie degli strumenti per catturare meglio le informazioni temporali e i dettagli delle azioni.
Il paper presenta OV-DEIM, un rilevatore open-vocabulary basato su DETR che, grazie all'architettura DEIMv2, a una strategia di supplemento delle query e all'augmentazione dati GridSynthetic, raggiunge prestazioni all'avanguardia e una maggiore efficienza nel rilevamento di oggetti in tempo reale, superando i limiti attuali dei metodi basati su YOLO.
Il paper presenta TFM, un nuovo framework di attacco che sfrutta la vulnerabilità temporale dei modelli text-to-video inserendo solo condizioni di confine sparse (due fotogrammi) per indurre il modello a generare autonomamente contenuti dannosi, aggirando così i filtri di sicurezza tradizionali.
Questo articolo propone un metodo innovativo per la ricostruzione 3D fine-granulare delle micro-espressioni facciali, integrando una modulazione dinamica globale con un adattamento locale guidato da flusso ottico e geometria, superando così le limitazioni dei dati scarsi e ottenendo risultati superiori rispetto agli stati dell'arte.
Il paper propone CAPL, un framework strutturato che combina un meccanismo di attenzione calibrato per le interazioni tra immagini e un'ottimizzazione basata sulle preferenze per mitigare le allucinazioni nei modelli visione-linguaggio su compiti multi-immagine, migliorando le prestazioni senza compromettere le capacità su singole immagini.
Il paper propone SODA, un metodo di accelerazione dinamica e adattiva per i Diffusion Transformer che, modellando la sensibilità a livello fine-granularità e ottimizzando la cache e il pruning tramite programmazione dinamica, supera i limiti delle strategie fisse esistenti raggiungendo uno stato dell'arte nel compromesso tra velocità di inferenza e fedeltà della generazione.
Il paper presenta MedSteer, un framework di steering delle attivazioni senza addestramento che genera coppie controfattuali endoscopiche preservando la struttura anatomica e superando i metodi basati su inversione e riprompting nelle valutazioni di sintesi e rilevamento dei polipi.
Il paper introduce VirtueBench, un nuovo benchmark progettato per valutare l'affidabilità dei modelli visione-linguaggio nell'ambito della comprensione di video lunghi, affrontando il problema della valutazione inaffidabile che penalizza il rifiuto onesto di rispondere in condizioni di incertezza rispetto alla fortuna nel indovinare.
Il paper propone PhyVLM-CR, un metodo unificato per la rimozione di tutte le nuvole che integra i priors semantici di un Modello Linguistico-Visivo (VLM) in un modello di ripristino fisico, permettendo una transizione adattiva tra l'inversione fisica e la ricostruzione temporale per garantire risultati ad alta fedeltà senza discontinuità.
Il paper propone PSG-UIENet, una rete innovativa per il miglioramento delle immagini subacquee che combina la correzione dell'illuminazione basata sulla teoria Retinex con guide semantiche testuali derivate da CLIP, supportata dal nuovo dataset multimodale LUIQD-TD e da una funzione di perdita per la similarità semantica, ottenendo prestazioni superiori rispetto ai metodi esistenti.
Questo lavoro introduce il concetto di "visibilità neurale" e un framework di fusione gerarchica complementare per allineare i segnali EEG a rappresentazioni visive intermedie, superando le limitazioni dei metodi esistenti e ottenendo prestazioni all'avanguardia nel decodifica visiva zero-shot.
Il paper propone mAVE, il primo framework di watermarking nativo per modelli di generazione audio-visiva congiunta che, legando crittograficamente le latenti audio e video, risolve la vulnerabilità agli attacchi di sostituzione garantendo integrità e sicurezza senza compromettere le prestazioni.
Questo articolo propone un metodo per la generazione di espressioni facciali allineate alle preferenze umane per interazioni dialogiche naturali, che utilizza un ciclo di feedback chiuso e un apprendimento per rinforzo guidato da feedback umano per addestrare un modello visione-linguaggio-azione capace di produrre risposte espressive contestualmente appropriate e libere da bias identitari.
Il paper introduce NuNext, un nuovo approccio che riformula il rilevamento dei nuclei istopatologici come previsione del punto successivo utilizzando un modello linguistico multimodale addestrato con supervisione spaziale e affinamento tramite rinforzo, ottenendo risultati superiori su nove benchmark.
Il paper presenta S-PCL, un framework di apprendimento auto-supervisionato efficiente per le radiografie toraciche che, partizionando semanticamente i patch di un'immagine per creare viste complementari, supera i limiti dei metodi esistenti eliminando la necessità di aumentazioni pesanti e decodificatori ausiliari, ottenendo così prestazioni superiori con un costo computazionale ridotto.
Il paper introduce TIQA, un nuovo compito e dataset per la valutazione della qualità del testo generato nelle immagini, insieme al metodo ANTIQA che supera le tecniche esistenti nel prevedere i giudizi umani e migliorare la selezione delle generazioni migliori.
Questo articolo presenta Inter-image Pixel Shuffling (IPS), un metodo innovativo che supera la scarsità di dati di addestramento per la fusione di immagini multi-fuoco riformulando il compito come un problema di classificazione pixel-wise e utilizzando un'architettura ibrida CNN-SSM per generare immagini completamente a fuoco senza richiedere immagini multi-fuoco reali.
Il paper presenta EyExIn, un framework efficiente che supera le lacune di conoscenza specifica nel dominio oftalmico dei modelli visione-linguaggio, integrando un meccanismo di iniezione profonda di esperti per ancorare il ragionamento a evidenze visive accurate e raggiungere prestazioni all'avanguardia nella diagnosi retinica.
Il paper presenta AutoSelect, un metodo che riformula la potatura dei token visivi come comunicazione a capacità vincolata, utilizzando un gate di rumore e un denoiser per selezionare automaticamente i token più rilevanti durante l'addestramento, ottenendo un'accelerazione significativa dell'inferenza nei modelli visione-linguaggio con una minima perdita di accuratezza e senza necessità di obiettivi di addestramento aggiuntivi.