1436 articoli
Il paper presenta TIDE, un metodo di estrazione senza addestramento per i Diffusion Transformer che risolve i problemi di degradazione strutturale e perdita di dettagli nelle immagini ad alta risoluzione bilanciando i token testuali e immateriali tramite un ancoraggio testuale e un controllo dinamico della temperatura basato sulla progressione spettrale.
Questo studio introduce un benchmark sintetico e propone un approccio innovativo che utilizza modelli visione-linguaggio fondazionali (Gemma 3 e Qwen3-VL) per generare automaticamente configurazioni JSON per simulazioni di piante da immagini di droni, offrendo un framework scalabile per la creazione di gemelli digitali in agricoltura.
Il paper presenta PathoScribe, un framework unificato basato su modelli linguistici di grandi dimensioni (LLM) che trasforma gli archivi di patologia statici in una "biblioteca vivente" interattiva, abilitando il recupero semantico, il ragionamento clinico e la costruzione automatizzata di coorti di ricerca con elevata precisione ed efficienza.
Il paper introduce BiCLIP, un framework semplice ed efficiente che migliora l'adattamento ai domini specifici per i modelli visione-linguaggio applicando una trasformazione geometrica strutturata ai feature multimodali, ottenendo risultati all'avanguardia su 11 benchmark.
Questo lavoro introduce il primo benchmark di apprendimento continuo senza esempi per la segmentazione audio-visiva e propone il modello ATLAS, che combina condizionamento pre-fusione guidato dall'audio e ancoraggio a basso rango per mitigare l'oblio catastrofico in ambienti dinamici.
Il paper presenta SVG-EAR, un metodo senza parametri che migliora l'efficienza della generazione video tramite Diffusion Transformers utilizzando una compensazione lineare basata su centroidi e un routing consapevole dell'errore per recuperare le informazioni perse nella sparsificazione, ottenendo significativi guadagni di velocità senza compromettere la qualità.
Il paper presenta SurgCalib, un framework automatico e senza marcatori basato su Gaussian Splatting per la calibrazione mano-occhio del robot chirurgico da Vinci, che risolve le sfide delle misurazioni imprecise dei robot a cavo attraverso un'ottimizzazione differenziabile sotto vincolo RCM, ottenendo errori di riproiezione e di distanza 3D ridotti sul benchmark dVRK.
Il paper presenta SkipGS, un metodo plug-and-play che accelera l'addestramento del 3D Gaussian Splatting riducendo del 23,1% il tempo totale attraverso un meccanismo adattivo che salta selettivamente le fasi di backpropagation quando i gradienti sono ridondanti, mantenendo al contempo una qualità di ricostruzione comparabile.
Questo lavoro propone un nuovo framework di autenticazione basato su diffusione che, sfruttando la firma della stampante e il condizionamento multimodale, supera i limiti dei metodi tradizionali nel distinguere i codici di rilevamento copie originali dalle contraffazioni ad alta qualità.
Il paper propone Normalized Flow Matching (NFM), un nuovo metodo che distilla l'accoppiamento quasi-deterministico di modelli di Flussi Normalizzanti preaddestrati per addestrare modelli di Flow Matching studenti, ottenendo prestazioni superiori sia rispetto ai tradizionali accoppiamenti indipendenti o di trasporto ottimo, sia rispetto al modello insegnante stesso.
Questo lavoro propone una misura di piattezza esatta e fedele all'architettura per le CNN, derivando un'espressione in forma chiusa per la traccia dell'Hessiano e specializzandola per i livelli convoluzionali, dimostrando empiricamente la sua efficacia come strumento robusto per stimare le prestazioni di generalizzazione e guidare la progettazione dei modelli.
Il documento presenta WS-Net, un framework di deep learning che combina modellazione a spazio di stato (Mamba) e un meccanismo di attenzione per segnali deboli, al fine di migliorare l'accuratezza della stima delle abbondanze nell'unmixing iperspettrale, specialmente in presenza di risposte spettrali deboli e rumore.
Il paper introduce SpectralDiff, un framework basato sulla diffusione strutturata nello spettro che combina perturbazioni spettrali mirate e un'architettura U-Net a prodotto completo per rimuovere efficacemente le striature di pioggia da immagini singole, offrendo prestazioni competitive con maggiore efficienza computazionale rispetto ai metodi esistenti.
Questo studio propone un framework potenziato basato su YOLOv8 che integra rilevamento di incendi e fumo con un'analisi di prossimità per valutare i rischi nei cantieri ingegneristici, calcolando distanze reali e generando un punteggio di rischio quantitativo con prestazioni superiori al 90% di precisione.
Il paper presenta GST-VLA, un modello Vision-Language-Action che introduce un Tokenizzatore Spaziale Gaussiano per rappresentare le osservazioni visive come primitive 3D anisotrope e un meccanismo di ragionamento CoT sensibile alla profondità, ottenendo prestazioni superiori su compiti robotici complessi grazie a una rappresentazione geometrica strutturata e a un'architettura di azione basata sul flow-matching.
Il paper presenta OmniEdit, un framework senza addestramento che risolve la sincronizzazione labiale e l'editing audio-visivo sostituendo la sequenza di modifica in FlowEdit con la sequenza target per ottenere stime non distorte e traiettorie di editing stabili.
Questo paper propone un nuovo framework per la generazione di video fisicamente plausibili che, scomponendo i fenomeni in catene di eventi causalmente collegati tramite ragionamento guidato da leggi fisiche e prompt multimodali adattivi, supera i limiti degli approcci attuali nel modellare la progressione causale dinamica.
Questo studio diagnostica il "gap di modalità" che riduce le prestazioni dei modelli linguistici multimodali quando elaborano testo come immagini, identificando le cause degli errori di lettura e proponendo un metodo di auto-distillazione che ripristina l'accuratezza fino a livelli superiori al 92% senza dimenticare le conoscenze pregresse.
Il paper propone MedKCO, un metodo di pre-addestramento visione-linguaggio medico che supera i limiti degli approcci attuali orchestrando cognitivamente l'apprendimento attraverso un curriculum a due livelli e una perdita contrastiva asimmetrica auto-addestrante, ottenendo risultati significativamente superiori su diverse attività downstream.
Il paper propone un framework di fattorizzazione del movimento che, senza richiedere addestramento, scompone la generazione video composita in tre categorie (staticità, movimento rigido e non rigido) attraverso una fase di pianificazione strutturata e una generazione disaccoppiata, migliorando la sintesi di motion su modelli di diffusione esistenti.