1901 articoli
Il paper introduce StructSAM, un framework di fusione e recupero dei token che preserva struttura e spettro per ottimizzare i Segment Anything Models (SAM) riducendo significativamente i costi computazionali senza compromettere la precisione dei contorni nelle applicazioni naturali e mediche.
Il paper presenta Faster-HEAL, un framework collaborativo leggero e rispettoso della privacy che risolve il problema dell'eterogeneità dei veicoli autonomi allineando le caratteristiche tramite prompt visivi a basso rango e fusione piramidale, ottenendo prestazioni superiori con un costo computazionale ridotto.
Questo articolo presenta un framework leggero basato su gemello digitale per il tracciamento dei veicoli e la previsione delle collisioni, progettato per l'implementazione su dispositivi edge che utilizza solo il rilevamento degli oggetti e mappe di percorso offline per raggiungere un'accuratezza dell'88% con un basso costo computazionale.
Il paper presenta la AgrI Challenge, una competizione incentrata sui dati che introduce la validazione cross-team per valutare la generalizzazione dei modelli di visione artificiale agricola, dimostrando che l'addestramento collaborativo su dataset raccolti indipendentemente riduce drasticamente il divario di prestazione rispetto all'addestramento su singola fonte.
Il paper presenta NT-Diffusion, un modello di diffusione gerarchico che ottimizza la previsione probabilistica del rischio di incendi su lunghi orizzonti temporali condividendo le fasi iniziali di denoising per ridurre i costi computazionali senza compromettere l'accuratezza.
Lo studio dimostra che l'apprendimento di compiti visivi nella corteccia V4 dei macachi aumenta la ridondanza delle risposte neurali, supportando l'ipotesi bayesiana secondo cui il cervello ottimizza l'elaborazione sensoriale attraverso un processo inferenziale generativo che distribuisce le informazioni tra i neuroni.
Il paper introduce AQuA, un dataset fine-grained che classifica le domande visive ambigue in quattro livelli e addestra i modelli Vision-Language a generare risposte strategiche adattive, superando le capacità degli attuali sistemi nel gestire l'incertezza e nel richiedere chiarimenti quando necessario.
Questo studio propone un modello a imbuto di concetti 3D interpretabile che integra caratteristiche morfologiche ed emodinamiche per classificare gli aneurismi cerebrali con alta accuratezza e trasparenza clinica, superando i limiti dei modelli "black-box".
Il rapporto tecnico introduce VIVECaption, un approccio sistematico a due facce che migliora la qualità delle didascalie per i modelli generativi tramite una tassonomia di metriche di valutazione, la creazione di dataset standardizzati e l'allineamento del modello, offrendo una soluzione pratica per dati di addestramento di alta qualità e privi di problemi di copyright.
Questo studio colma una lacuna nella diagnostica dentale digitale proponendo un nuovo approccio per generare didascalie specifiche per singoli denti tramite modelli visione-linguaggio, superando i limiti dei dataset esistenti che si concentrano su immagini dell'intera bocca o su patologie isolate.
Il paper presenta UnSCAR, un nuovo paradigma di ripristino delle immagini universale che, grazie a un'architettura a miscela di esperti multi-ramo, risolve i problemi di instabilità e dimenticanza delle conoscenze nell'apprendimento congiunto, consentendo un adattamento scalabile, controllabile e robusto a oltre sedici degradazioni e a domini non visti.
Il paper presenta QdaVPR, un nuovo modello di riconoscimento dei luoghi visivo basato su query e agnostico rispetto al dominio, che utilizza un apprendimento avversariale duale e supervisione triplette su dati sintetici per ottenere prestazioni all'avanguardia in scenari con significative variazioni di dominio.
Il paper propone DTPSR, un nuovo framework di super-risoluzione basato su diffusione che utilizza priors testuali disaccoppiati su dimensioni spaziali e frequenziali, supportato dal dataset DisText-SR, per migliorare il controllo semantico e la qualità percettiva nella ricostruzione di immagini ad alta risoluzione.
Questo lavoro presenta AndroidWorld-Generalization, un benchmark e un sistema di apprendimento per rinforzo basato su GRPO, per valutare e migliorare la capacità di generalizzazione zero-shot degli agenti mobili VLM su istanze, template e applicazioni non visti, dimostrando significativi guadagni sulle istanze ma sfide persistenti su template e app, con il rilascio completo del codice per la riproducibilità.
Il paper presenta "Data Agent", un framework end-to-end che formula la selezione dinamica dei dati come un problema di decisione sequenziale guidato da un agente che impara una politica di selezione adattiva, accelerando significativamente l'addestramento dei modelli su diverse architetture e dataset senza comprometterne le prestazioni.
Il paper introduce RPG-SAM, un nuovo framework di segmentazione polipi one-shot senza addestramento che risolve l'eterogeneità regionale e di risposta attraverso l'estrazione di prototipi pesati per affidabilità, la selezione adattiva geometrica delle soglie e un ciclo di raffinamento iterativo, ottenendo un miglioramento del 5,56% di mIoU sul dataset Kvasir.
Il paper presenta DogWeave, un modello basato su un singolo'immagine RGB che ricostruisce cani 3D ad alta fedeltà, affinando la geometria tramite normali potenziate da diffusione e generando texture coerenti con l'inpainting condizionato per superare le sfide dell'occlusione e dei dettagli fini.
Il paper presenta Med-Evo, un innovativo framework di auto-evoluzione per modelli linguistici multimodali medici che, sfruttando l'apprendimento per rinforzo senza etichette tramite una strategia di pseudo-etichettatura guidata dalle caratteristiche e un sistema di ricompensa ibrido, migliora le prestazioni del modello su dati di test non annotati senza richiedere ulteriori dati etichettati.
Il paper presenta SLNet, una rete di riconoscimento per nuvole di punti 3D estremamente leggera e adattiva geometricamente che, grazie a componenti innovativi come NAPE e GMU, raggiunge prestazioni competitive su diversi benchmark con un numero di parametri e un costo computazionale drasticamente inferiori rispetto agli stati dell'arte.
Questo articolo offre un'analisi tecnica completa dell'evoluzione dei modelli di generazione delle immagini, esaminando le architetture fondamentali, le tecniche di ottimizzazione, le limitazioni e le recenti applicazioni nella generazione video, con un focus particolare sulla sicurezza e sulla responsabilità nel loro utilizzo.