2384 articoli
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.
Questo lavoro introduce il nuovo compito di Segmentazione Audio-Visiva Continuale (CAVS) e propone il framework Collision-based Multi-modal Rehearsal (CMR) per mitigare la deriva semantica e la confusione da co-occorrenza, ottenendo risultati superiori rispetto ai metodi a modalità singola in scenari di apprendimento incrementale.
Il paper introduce Dream4Drive, un nuovo framework di generazione di dati sintetici che, decomponendo i video in mappe guida 3D e adattando modelli di mondo guidati, migliora significativamente le prestazioni dei modelli di percezione per la guida autonoma, specialmente nella gestione di casi limite, superando i limiti delle attuali strategie di addestramento.
Il paper propone MoE-GS, un nuovo framework unificato per la ricostruzione di scene dinamiche tramite Gaussian Splatting che integra esperti specializzati tramite un router aware del volume per migliorare la qualità della sintesi di nuove viste, offrendo anche strategie di ottimizzazione per l'efficienza e la distillazione.
Il paper introduce AnyPcc, un framework universale per la compressione di nuvole di punti che supera i limiti di generalizzazione degli metodi esistenti grazie a un modello di contesto robusto e a una strategia di fine-tuning adattivo per istanza, ottenendo prestazioni state-of-the-art su dataset diversificati con un basso overhead computazionale.
Questo articolo propone un metodo automatizzato per il conteggio dei parassiti nelle trappole ad acqua che utilizza un sistema di agitazione robotica attiva e adattiva per ridurre l'occlusione, migliorando significativamente l'accuratezza e riducendo i tempi di esecuzione rispetto ai metodi tradizionali basati su immagini statiche.
Il paper introduce CountFormer, un framework basato su DINOv2 che, sostituendo l'encoder di immagini con rappresentazioni foundation auto-supervisionate, mira a migliorare la consistenza strutturale nel conteggio di oggetti senza esempi, ottenendo risultati competitivi su FSC-147 e riducendo gli errori di sovrastima legati a componenti simmetriche o strutture complesse.
Il paper presenta SAGE, un approccio zero-shot che genera transizioni video strutturalmente coerenti tra clip diverse combinando guida strutturale e sintesi generativa, superando le limitazioni dei metodi tradizionali e generativi attuali senza richiedere addestramento su dati specifici.
Questo studio propone un metodo forense per rilevare immagini generate dall'IA analizzando il "rimbalzo diffusivo", ovvero come le immagini reagiscono a una leggera perturbazione e ricostruzione tramite modelli di diffusione, ottenendo un'accuratezza eccezionale (AUROC 0,993) nel distinguere foto reali da sintetiche anche in presenza di distorsioni comuni.
Il paper presenta Jr. AI Scientist, un sistema autonomo che emula il flusso di lavoro di un ricercatore junior per generare contributi scientifici validi partendo da lavori esistenti, valutandone al contempo le prestazioni e i rischi attraverso revisioni automatizzate e umane.
Il paper presenta MUGSQA, un nuovo metodo, dataset e benchmark basati su una valutazione soggettiva multi-distanza che tiene conto di diverse incertezze dei dati di input per analizzare la qualità percettiva e la robustezza dei metodi di ricostruzione 3D tramite Gaussian Splatting.
Il paper presenta CountOCC, un framework innovativo per il conteggio amodale in scenari open world che supera i limiti delle attuali metodologie sotto occlusione ricostruendo le caratteristiche degli oggetti nascosti tramite guida multimodale gerarchica e un obiettivo di equivalenza visiva, ottenendo risultati allo stato dell'arte su dataset appositamente creati come FSC-147-OCC e CARPK-OCC.
Questo lavoro propone un nuovo metodo di attacco avversario per le reti iperboliche, denominato "Angular Gradient Sign", che sfrutta le proprietà geometriche dello spazio iperbolico applicando perturbazioni esclusivamente nella direzione angolare per ottenere tassi di inganno superiori rispetto alle tecniche tradizionali.
Il paper presenta Video2Layout, un framework che supera i limiti delle mappe cognitive a griglia ricostruendo layout spaziali metrici basati su coordinate continue dei bordi degli oggetti, migliorando significativamente il ragionamento spaziale nei modelli multimodali.
Il paper presenta MOMNet, una rete innovativa per la super-risoluzione della profondità che supera i limiti delle allineamenti RGB-D imperfetti attraverso un meccanismo di corrispondenza multi-ordine e un'aggregazione adattiva, ottenendo prestazioni all'avanguardia in scenari reali.
Il paper presenta DualMindVLM, un modello di linguaggio visivo che implementa un meccanismo di pensiero duale adattivo, imitando la capacità umana di alternare risposte intuitive rapide a ragionamenti deliberati lenti in base alla complessità del compito, ottenendo così prestazioni di ragionamento all'avanguardia con un'efficienza dei token significativamente superiore rispetto ai modelli esistenti.
Il paper propone il Radiative-Structured Neural Operator (RSNO), un approccio che integra principi fisici e operatori neurali per ricostruire immagini iperspettrali continue da osservazioni multispettrali, garantendo coerenza fisica e riducendo le distorsioni cromatiche attraverso fasi di upsampling, ricostruzione e raffinamento.