2846 articoli
Il paper presenta PaLMR, un framework che allinea il processo di ragionamento multimodale attraverso dati percettivamente coerenti e una funzione di ricompensa gerarchica, riducendo le allucinazioni visive e migliorando l'affidabilità dei modelli senza comprometterne le prestazioni.
Il paper introduce FCBNet, un modello efficiente per la segmentazione delle infestanti basato su un backbone ConvNeXt congelato e un blocco di correzione delle caratteristiche, che supera le prestazioni di modelli esistenti in termini di accuratezza e efficienza computazionale su immagini aeree multispettrali.
Il paper presenta GameVerse, un benchmark che dimostra come i modelli visione-linguaggio possano migliorare le proprie strategie di gioco attraverso un ciclo di riflessione basato su video, combinando traiettorie di fallimento e tutorial esperti in un approccio privo di addestramento analogo al reinforcement learning e al fine-tuning supervisionato.
Il paper introduce ASMIL, un nuovo framework unificato che stabilizza le dinamiche di attenzione nel deep learning per l'analisi di immagini digitali intere (WSI) mediante un modello di riferimento e funzioni di attivazione modificate, superando così i problemi di instabilità, sovraccarico e sovrapposizione per ottenere prestazioni superiori rispetto agli stati dell'arte.
Il paper presenta EnsAug, un nuovo paradigma di addestramento che utilizza un ensemble di modelli specializzati, ciascuno allenato su una specifica trasformazione geometrica dei dati, per superare i limiti delle tecniche di aumento generiche e raggiungere prestazioni superiori nel riconoscimento di movimenti umani e della lingua dei segni.
Il paper introduce HyperTokens, un metodo basato su un generatore di token che produce prompt su richiesta e utilizza regolarizzatori ispirati al meta-apprendimento e supervisione multimodale ausiliaria per migliorare l'apprendimento continuo nel VideoQA riducendo il dimenticamento e i costi di memoria.
Il paper propone Graph-of-Mark (GoM), una tecnica di prompting visivo basata su grafi che sovrappone scene grafiche alle immagini per migliorare le capacità di ragionamento spaziale dei modelli linguistici multimodali, ottenendo risultati significativamente superiori rispetto ai metodi esistenti.
Questo paper presenta un sistema di inferenza ottimizzato per la generazione video basato su trasformatori di diffusione, che utilizza un'incodifica posizionale 3D sequenziale-parallela con un indice temporale globale per ridurre la latenza e l'uso di memoria, permettendo la generazione di video in tempo reale con qualità comparabile.
Questo studio rivela che, nel contesto medico, il ragionamento a catena di pensiero (CoT) spesso peggiora le prestazioni rispetto alla risposta diretta a causa di un collo di bottiglia nella percezione visiva, ma dimostra che interventi di ancoraggio percettivo e grounding descrittivo possono ripristinare l'accuratezza migliorando l'allineamento cross-modale.
Il paper presenta SJD-PV, un metodo di accelerazione senza addestramento per la generazione di immagini autoregressiva che riduce la latenza fino al 30% verificando speculativamente gruppi di token correlati (frasi) invece di singoli token, preservando al contempo la qualità visiva.
Il paper propone CalibFusion, un rilevatore di fusione radar-camera basato su transformer che apprende end-to-end il raffinamento differenziabile della calibrazione estrinseca per migliorare la rilevazione 2D in ambienti acquatici caratterizzati da texture scarse e clutter radar.
Lo studio dimostra che, sebbene l'inizializzazione con rumore semantico mostri un lieve trend positivo su alcune dimensioni temporali nella generazione video, i risultati complessivi non superano significativamente la baseline con rumore gaussiano a causa di un segnale debole e instabile, suggerendo l'adozione di valutazioni accoppiate e diagnosi nello spazio del rumore come pratica standard.
Questo articolo presenta un autoencoder CNN non supervisionato, dotato di una funzione di perdita basata sulla distanza angolare spettrale ponderata (WSAD), per l'analisi non distruttiva e l'identificazione automatica dei componenti nei campioni stratificati di dipinti storici, come dimostrato su una sezione trasversale del Polittico di Gand.
Il paper presenta AutoFigure-Edit, un sistema end-to-end che genera illustrazioni scientifiche completamente modificabili e adattabili stilisticamente partendo da testi lunghi, combinando la comprensione del contesto, lo stile guidato da riferimenti e la modifica nativa in SVG.
Questo lavoro presenta un modello ibrido di apprendimento few-shot integrato con l'intelligenza artificiale spiegabile (XAI) per diagnosticare con alta precisione e trasparenza le malattie delle foglie di mais, riso e grano anche in condizioni di dati annotati limitati.
Il paper propone PRPO, un metodo di ottimizzazione parallela per risolvere i conflitti di addestramento nei modelli LVLM per l'analisi dei grafici, e MCDR-Bench, una nuova benchmark per la valutazione oggettiva delle capacità di ricerca approfondita, stabilendo un quadro unificato che supera le attuali limitazioni nell'intelligenza dei dati visivi.
Il paper introduce MultiGen, un motore di gioco basato su diffusione che integra una memoria esterna persistente e modulare per abilitare il controllo modificabile degli utenti sull'ambiente e garantire interazioni coerenti in mondi multiplayer condivisi.
Il paper presenta VB, un nuovo benchmark che valuta la capacità dei modelli visione-linguaggio di determinare la visibilità degli elementi in un'immagine e di astenersi quando la risposta non è affidabile, utilizzando un design sperimentale controllato per misurare l'accuratezza, la robustezza agli editing minimi e il ragionamento prospettico.
Il paper introduce RADAR, un nuovo benchmark multimodale basato su immagini CT addominali 3D e report radiologici, progettato per valutare la capacità dei modelli di analizzare le discrepanze cliniche e le modifiche apportate durante la revisione dei referti da parte di radiologi esperti.
Il paper propone ECHO, un framework multi-agente che utilizza operazioni su ipergrafi condivisi e una strategia di collegamento prima del vincolo per migliorare l'estrazione di eventi multimodali riducendo gli errori di propagazione e superando le prestazioni dello stato dell'arte.