93 articoli
Il paper presenta ECLARE, un metodo di super-risoluzione efficiente e auto-apprendente che migliora la risoluzione anisotropa dei volumi MR clinici stimando il profilo della slice e apprendendo direttamente dai dati acquisiti, superando così le limitazioni delle tecniche esistenti senza subire problemi di spostamento di dominio.
Questo articolo introduce un nuovo set di test basati su misurazioni psicofisiche della visione di basso livello per valutare la capacità delle metriche di qualità immagine e video di catturare fenomeni percettivi fondamentali, rivelando limiti e comportamenti specifici di 34 metriche esistenti.
Il paper introduce i "Multivariate Fields of Experts", un nuovo framework per l'apprendimento di priori delle immagini che, grazie a funzioni potenziali multivariate basate su involucri di Moreau, supera i modelli univariati e si avvicina alle prestazioni dei metodi deep learning offrendo al contempo maggiore velocità, efficienza dei parametri, interpretabilità e garanzie teoriche di convergenza per vari problemi inversi di ricostruzione.
Il paper propone SAAIPAA, un framework per attacchi avversari fisici su modelli di riconoscimento automatico di bersagli SAR che, grazie a una modellazione fisica rigorosa, determina posizioni e orientamenti ottimali di riflettori per ingannare i sistemi di classificazione indipendentemente dagli angoli di aspetto della piattaforma, raggiungendo tassi di successo fino al 99,2% in scenari white-box.
Il paper presenta VeilGen, un modello generativo non supervisionato che stima mappe latenti di trasmissione e bagliore per sintetizzare dati realistici, e DeVeiler, una rete di restauro che utilizza queste mappe per rimuovere efficacemente il bagliore velante dai sistemi ottici semplificati.
Questo studio propone un metodo di rilevamento delle anomalie mediche non supervisionato che, integrando le somiglianze contestuali all'interno di un batch tramite ipergrafi e convoluzioni grafiche, riduce significativamente i falsi positivi distinguendo meglio le variazioni anatomiche normali dalle patologie.
Questo studio propone il primo quadro computazionale multimodale per la prognosi della nefrite lupica pediatrica, che combina dati clinici e istopatologici tramite un Transformer a iniezione clinica e un MAE adattato al dominio, ottenendo un'accuratezza del 90,1% nella previsione della risposta al trattamento utilizzando solo biopsie colorate con PAS.
Il paper propone SKETCHGAIT, un nuovo framework per il riconoscimento dell'andatura che supera i limiti delle rappresentazioni basate su silhouette e parsing introducendo una modalità visiva "sketch" estratta in modo privo di etichette dai contorni strutturali delle immagini RGB, ottenendo risultati superiori su dataset pubblici.
Questo lavoro presenta il PPCMI-SF, un framework collaborativo che garantisce la privacy nella segmentazione di immagini mediche attraverso trasformazioni latenti crittografate, ottenendo risultati accurati e sicuri senza condividere dati grezzi tra istituzioni.
Il paper propone l'uso di primitive di Gabor, che modulano involucri gaussiani con esponenziali complessi per rappresentare efficacemente sia le strutture lisce che i confini netti, combinati con una decomposizione temporale a basso rango per ricostruire immagini di risonanza magnetica cardiaca cine accelerate, superando le prestazioni dei metodi esistenti come la compressione sensoriale e le rappresentazioni neurali implicite.
Il paper presenta un nuovo framework longitudinale di inpainting per risonanze magnetiche cerebrali basato su modelli di diffusione 3D region-aware, che supera le tecniche esistenti garantendo maggiore fedeltà percettiva, stabilità temporale ed efficienza computazionale nell'analisi delle lesioni evolutive.
Questo lavoro propone un framework leggero e interpretabile basato su estensioni tridimensionali dell'istogramma discriminativo del gradiente (DHoGM) per rilevare in modo efficiente e robusto gli artefatti da movimento nelle risonanze magnetiche cerebrali strutturali, ottenendo elevate prestazioni di generalizzazione su dati non visti senza richiedere costosi pre-processing.
Il paper presenta Uni-LVC, un metodo unificato per la compressione video appresa che integra la codifica intra e inter in un singolo modello, migliorando le prestazioni di compressione e adattandosi dinamicamente alla qualità dei riferimenti temporali grazie a un modulo di attenzione incrociata e una strategia di training multistadio.
Questo lavoro propone un framework architetturale unificato per l'imaging polarimetrico che, attraverso un elaborazione congiunta singola fase nei domini dell'immagine e di Stokes, supera le limitazioni dei metodi esistenti ottenendo prestazioni all'avanguardia nel recupero di parametri fisici coerenti da osservazioni degradate da rumore, sfocatura da movimento e artefatti di mosaico.
Questo rapporto presenta un sistema di ispezione ottica automatizzata basato su architetture di deep learning (YOLOv8, ResNet-152 ed EfficientNet-b4) e un nuovo dataset di 4.414 immagini, sviluppato in collaborazione con leader dell'industria di Sialkot per rilevare difetti critici negli strumenti chirurgici pakistani e garantire la sicurezza dei pazienti.
Il paper propone un metodo di compressione video neurale per scene statiche che incorpora un "rumore a incentivo positivo" per distinguere le variazioni temporali transitorie dallo sfondo persistente, permettendo di ridurre significativamente il consumo di banda mantenendo la fedeltà a livello di pixel senza introdurre dettagli allucinati.
Il paper introduce NOVA, un nuovo paradigma di autoregressione open-vocabulary che sfrutta i modelli linguistici su larga scala per trasformare il tracciamento 3D di oggetti multipli in un compito di completamento di sequenze spaziotemporali, ottenendo prestazioni superiori nel tracciamento di categorie sconosciute rispetto ai metodi tradizionali.
Questo lavoro introduce il benchmark OccNL e il framework DPR-Occ per affrontare la previsione dell'occupazione semantica 3D in presenza di rumore di etichetta, dimostrando che le strategie esistenti falliscono in spazi voxel sparsi e proponendo un metodo innovativo basato sul ragionamento su etichette parziali che mantiene prestazioni elevate anche con un rumore del 90%.
Il paper presenta AIRT, un framework di deep learning end-to-end che genera piani di radioterapia VMAT per il cancro alla prostata in meno di un secondo, dimostrando una qualità non inferiore ai piani standard prodotti da RapidPlan Eclipse.
Il paper presenta EquivAnIA, un nuovo metodo spettrale basato su wavelet a torta e filtri a cresta per l'analisi anisotropa delle immagini, che garantisce una robusta equivarianza alle rotazioni numeriche e viene validato su dati sintetici e reali per compiti come la registrazione angolare.