2380 articoli
Il paper presenta Traffic-MLLM, un framework di apprendimento supervisionato regolarizzato dalla curiosità che, integrando dati video dinamici e domande-visive su larga scala, apprende uno spazio di casi strutturato per migliorare il ragionamento multimodale e la robustezza nei scenari di guida autonomi senza ricorrere al recupero esplicito dei casi.
Il paper propone SAGA, un meccanismo di attenzione lineare che utilizza cancelli adattivi selettivi per mitigare la ridondanza delle informazioni e migliorare l'espressività, ottenendo così significativi guadagni sia in termini di efficienza computazionale che di accuratezza rispetto alle architetture Transformer tradizionali.
Il paper introduce il Cumulative Consensus Score (CCS), un metodo agnostico e privo di etichette che valuta l'affidabilità dei modelli di rilevamento oggetti in fase di deployment misurando la coerenza spaziale delle previsioni su immagini con aumentazioni di dati, offrendo così una robusta metrica di monitoraggio per scenari reali privi di annotazioni.
Il paper introduce WHU-STree, un nuovo dataset multi-modale e ricco di annotazioni raccolto in due città diverse che integra nuvole di punti e immagini ad alta risoluzione per supportare oltre 10 compiti di inventario degli alberi stradali, superando i limiti dei dataset esistenti e fornendo un benchmark per la classificazione delle specie e la segmentazione degli alberi individuali.
Il paper presenta MICA, un assistente di coordinamento industriale multi-agente basato su percezione e interazione vocale che, grazie a un meccanismo di fusione adattiva dei passaggi e a un controllo di sicurezza, garantisce assistenza affidabile, privata e funzionante offline per ambienti di fabbrica dinamici.
Il paper introduce ORIC, un framework e un benchmark per valutare come l'incongruenza contestuale comprometta il riconoscimento degli oggetti nei Large Vision-Language Models, dimostrando che l'addestramento su dati generati da questo metodo migliora significativamente l'affidabilità e riduce le allucinazioni dei modelli.
Questo articolo presenta un innovativo sistema di navigazione "Visual Teach-and-Repeat" basato su una camera a eventi che, sfruttando la correlazione incrociata nel dominio di Fourier e la compressione delle immagini, raggiunge una latenza di elaborazione estremamente bassa (2,88 ms) e permette una navigazione autonoma precisa e robusta in diverse condizioni di illuminazione su percorsi di oltre 3000 metri.
Questo studio dimostra che i moderni modelli video-LLM traggono significativi benefici dall'integrazione di encoder audio per compiti che richiedono comprensione del parlato, rivelando al contempo come le attuali benchmark visive sottostimino l'importanza dell'audio a causa della loro dipendenza da indizi puramente visivi.
Il paper propone FINS, un framework leggero che ricostruisce efficientemente in pochi secondi superfici implicite e campi SDF ad alta fedeltà partendo da una singola immagine, superando i metodi esistenti in velocità e precisione e dimostrando la propria efficacia in compiti di robotica come il seguire superfici.
Il paper propone QuantVGGT, il primo framework di quantizzazione post-allenamento per i transformer VGGT su larga scala, che supera le sfide specifiche legate alle distribuzioni di attivazione e alla selezione dei campioni di calibrazione attraverso tecniche innovative di quantizzazione e campionamento, ottenendo riduzioni significative della memoria e accelerazioni nell'inferenza hardware mantenendo un'alta accuratezza nella ricostruzione 3D.
Il paper introduce MATR, un Transformer consapevole del movimento che risolve i conflitti tra query di rilevamento e tracciamento nei framework MOT basati su DETR, ottenendo risultati all'avanguardia su diversi dataset attraverso la previsione esplicita dei movimenti degli oggetti.
Il paper propone GS-2M, un framework di ottimizzazione consapevole del materiale che, sfruttando la 3D Gaussian Splatting e una nuova strategia di supervisione della ruvidità basata sulla variazione fotometrica multi-vista, ricostruisce mesh ad alta fedeltà con superfici riflettenti senza ricorrere a componenti neurali complessi.
Il paper presenta FAMDA, un framework di adattamento di dominio non supervisionato che sfrutta i modelli fondazionali visivi come insegnanti in un paradigma di auto-addestramento per generare etichette pseudo di alta qualità, permettendo così di addestrare reti studente efficienti e compatte che raggiungono prestazioni all'avanguardia nella previsione densa multi-task per applicazioni robotiche.
Il paper presenta QuantSparse, un framework unificato che combina quantizzazione del modello e sparsificazione dell'attenzione tramite distillazione multi-scala e riparametrizzazione di ordine superiore, ottenendo su HunyuanVideo-13B una significativa riduzione dello storage e un'accelerazione dell'inferenza senza compromettere la qualità della generazione video.
Il paper presenta DualFlow, un framework unificato ed efficiente basato su Rectified Flow che genera motion 3D realistici e sincronizzati per due persone, condizionati da testo, musica o sequenze di movimento precedenti, migliorando significativamente la coerenza semantica e la coordinazione temporale rispetto agli stati dell'arte.
Il paper presenta PHASE-Net, un modello di rete neurale leggero e teoricamente fondato sulle equazioni di Navier-Stokes che integra attenzione armonica spaziale e dinamica temporale per migliorare l'accuratezza e la robustezza della misurazione della fotopletismografia remota (rPPG) in condizioni di movimento e variazioni di illuminazione.
Il paper presenta LMOD+, un ampio dataset e benchmark multimodale per l'oftalmologia che espande significativamente le risorse precedenti per valutare le prestazioni dei modelli linguistici multimodali su diagnosi, stadiazione e rilevamento di bias, fornendo al contempo una valutazione sistematica di 24 modelli all'avanguardia.
Il paper propone REVEL, un nuovo compito di manipolazione video interattiva in streaming che permette di modificare qualsiasi elemento in qualsiasi momento, e DragStream, un metodo senza addestramento che risolve i problemi di deriva latente e interferenza contestuale per garantire risultati visivamente coerenti nei modelli di diffusione video autoregressivi.
Il paper presenta AR-Drag, il primo modello di diffusione video autoregressivo potenziato dal reinforcement learning per la generazione di video in tempo reale da immagini con controllo preciso del movimento, risolvendo i problemi di latenza e qualità tipici delle approcci esistenti.
Questa revisione sistematica esamina l'applicazione dei modelli generativi profondi non supervisionati per il rilevamento di anomalie nelle neuroimmagini, evidenziando il loro potenziale per la localizzazione di patologie senza annotazioni voxel-level, pur sottolineando le sfide legate all'eterogeneità metodologica e alla validazione esterna.