3310 articoli
Il paper introduce altiro3D, una libreria gratuita che genera esperienze 3D realistiche e sintesi di nuove viste partendo da una singola immagine RGB o video piatto, utilizzando tecniche di stima della profondità, inpainting e proiezione geometrica per creare contenuti visualizzabili su display LCD a visione libera.
Il paper presenta PD-REAL, un nuovo dataset su larga scala per la rilevazione di anomalie in 3D basato su modelli Play-Doh, e propone un innovativo framework di distillazione multiscala teacher-student che sfrutta informazioni RGB-D per superare i limiti degli approcci tradizionali e migliorare l'accuratezza della rilevazione.
Il paper propone il CA-Jaccard, una nuova metrica di distanza per il re-identificazione delle persone che migliora l'affidabilità del Jaccard distance tradizionale integrando informazioni specifiche della telecamera attraverso vicini reciproci k-aware e un'espansione della query locale per mitigare l'impatto negativo delle variazioni tra telecamere.
Il paper introduce DivCon, un approccio "dividi e conquista" che migliora il ragionamento numerico e spaziale nella generazione di immagini da testo suddividendo il processo in sottocompiti gestibili, permettendo anche a modelli linguistici leggeri di ottenere risultati superiori rispetto ai metodi precedenti su benchmark complessi.
Questa rassegna offre una panoramica completa e un benchmark delle tecnologie all'avanguardia per la generazione e il rilevamento dei deepfake, coprendo definizioni, dataset, metriche e le principali sottocategorie come lo scambio e la ricreazione facciale, l'editing degli attributi e la rilevazione di falsificazioni.
Gli autori propongono tre nuovi set di test ad alta qualità, denominati Hadrian, Eclipse e ND-Twins, per valutare le debolezze degli algoritmi di riconoscimento facciale su variazioni di attributi e somiglianze tra individui, superando la necessità di degradare artificialmente le immagini per aumentare la difficoltà di valutazione.
Questo paper identifica e modella teoricamente la fase di "corruzione" durante il fine-tuning few-shot dei modelli di diffusione, proponendo l'integrazione di reti neurali bayesiane per mitigare tale fenomeno e migliorare la fedeltà, la qualità e la diversità delle immagini generate senza costi aggiuntivi di inferenza.
Il paper presenta RDM, un nuovo modello ricorrente di diffusione che utilizza flussi di normalizzazione per generare sequenze di movimento umano lunghe e coerenti con il testo, riducendo significativamente i costi computazionali evitando la completa denoising dei frame precedenti.
Il paper presenta PiVOT, un nuovo meccanismo di prompting visivo che sfrutta il modello fondazionale CLIP per generare e raffinare dinamicamente prompt online, migliorando le prestazioni del tracciamento generico di oggetti sopprimendo efficacemente gli oggetti distraenti.
Il paper presenta il Pose Prior Learner (PPL), un metodo non supervisionato che apprende un prior categorico generale per la stima della posa di oggetti tramite una memoria gerarchica di pose prototipiche, migliorando l'accuratezza e la robustezza agli occlusi senza richiedere annotazioni umane.
Il paper presenta ExpGest, un nuovo framework basato su modelli di diffusione che genera gesti espressivi a corpo intero sincronizzando informazioni audio e testuali, superando i limiti dei metodi esistenti grazie a un classificatore di emozioni del rumore e a una migliore generalizzazione semantica.
Questo studio propone un sistema neurosimbolico che, ricostruendo immagini mediche tramite primitive visive per generare spiegazioni strutturali ad alto livello, supera le architetture deep learning convenzionali nella diagnosi di anomalie istologiche offrendo al contempo maggiore accuratezza e trasparenza.
Questo lavoro propone un framework per i modelli di diffusione in cui il processo generativo si adatta dinamicamente alle esigenze di ciascun campione, permettendo di variare la traiettoria di denoising e ridurre il numero di passaggi di campionamento mantenendo la qualità dell'immagine.
Il documento presenta Prithvi-EO-2.0, un nuovo modello fondazionale geospaziale open-source addestrato su 4,2 milioni di serie temporali globali che supera le prestazioni del suo predecessore e di altri modelli esistenti, offrendo versatilità in applicazioni come la risposta alle emergenze e il monitoraggio ambientale grazie a un approccio di scienza aperta collaborativa.
Il paper presenta iLLaVA, un metodo innovativo che accelera end-to-end i modelli multimodali grandi ottimizzando congiuntamente il codificatore di immagini e l'LLM tramite una strategia di fusione dei token che ricicla le informazioni utili, ottenendo significativi miglioramenti sia nell'efficienza computazionale che nelle prestazioni.
Il paper propone HarmonicEval, una metrica di valutazione automatica senza riferimento che aggrega i punteggi per criterio in modo bottom-up, e introduce il benchmark MMHE con 18.000 giudizi umani per dimostrare che il metodo supera le metriche convenzionali nella valutazione multi-task e multi-criterio dei modelli visione-linguaggio.
Il paper presenta LangSurf, un metodo che allinea con precisione i campi linguistici 3D alle superfici degli oggetti mediante un'addestramento congiunto e un modulo di consapevolezza contestuale gerarchica, superando le prestazioni dello stato dell'arte per la segmentazione semantica open-vocabulary e abilitando compiti avanzati di editing e rimozione in 3D.
Questo lavoro propone un metodo che sfrutta modelli visione-linguaggio preaddestrati per apprendere modelli del mondo simbolici astratti da dimostrazioni brevi, consentendo a sistemi robotici di pianificare e risolvere compiti decisionali a lungo termine con una generalizzazione zero-shot in scenari complessi e non visti in precedenza.
Questo paper propone strategie di riduzione dei dati basate sul clustering nello spazio latente per ottimizzare l'addestramento avversario semi-supervisionato, consentendo di ridurre drasticamente il volume di dati non etichettati e i costi computazionali mantenendo un'elevata robustezza del modello.
Questo articolo propone un modello di diffusione agnostico rispetto al problema, basato sulla stima del termine guidato tramite MAP, che sfrutta score network preaddestrati e un prior gaussiano per risolvere problemi inversi nell'elaborazione delle immagini con una migliore preservazione dei contenuti rispetto agli stati dell'arte.