Can Vision Language Models Assess Graphic Design Aesthetics? A Benchmark, Evaluation, and Dataset Perspective
이 논문은 그래픽 디자인의 미적 품질을 평가하기 위해 포괄적인 벤치마크인 AesEval-Bench 와 대규모 학습 데이터를 제안하고, 다양한 비전 - 언어 모델의 성능을 체계적으로 평가하여 인간 수준의 미적 평가가 여전히 어렵다는 점을 규명합니다.
👁️ Category
cs.CV
6515 편의 논문
Unified Vision-Language Modeling via Concept Space Alignment
이 논문은 기존 텍스트 임베딩 공간 SONAR 를 확장하여 비전-언어 정렬을 수행한 V-SONAR 와 이를 기반으로 한 V-LCM 을 제안함으로써, 다양한 언어와 모달리티에 걸친 영상 캡셔닝 및 질문 응답 작업에서 기존 최첨단 모델을 능가하는 성능을 입증했습니다.
Differential privacy representation geometry for medical image analysis
이 논문은 의료 영상 분석에서 차분 프라이버시 (DP) 가 성능 저하를 일으키는 메커니즘을 명확히 규명하기 위해, 표현 공간의 기하학적 변위와 작업 헤드의 활용도 차이를 분석하는 새로운 프레임워크인 DP-RGMI 를 제안하고 이를 통해 DP 가 특징을 균일하게 붕괴시키는 것이 아니라 표현의 이방성을 변화시킨다는 사실을 입증했습니다.
Data-Efficient Brushstroke Generation with Diffusion Models for Oil Painting
이 논문은 소량의 손으로 그린 샘플만으로도 확산 모델을 통해 인간과 유사한 붓터치를 생성하고 제어할 수 있는 'StrokeDiff' 프레임워크를 제안하여, 데이터 효율적인 원시 요소 모델링이 표현력 있고 구조화된 멀티미디어 콘텐츠 제작을 가능하게 함을 보여줍니다.
Egocentric Co-Pilot: Web-Native Smart-Glasses Agents for Assistive Egocentric AI
이 논문은 스마트 안경용 웹 네이티브 신경-상징 프레임워크인 'Egocentric Co-Pilot'을 제안하여, 시계열 추론과 계층적 컨텍스트 압축을 통해 장기간의 1 인칭 비디오 기반 질문 답변 및 의사결정을 지원하고, 실시간 스트리밍 파이프라인을 통해 시각 장애 및 인지 과부하 사용자를 위한 접근성 있는 보조 AI 의 실현 가능성을 입증했습니다.
GroundedSurg: A Multi-Procedure Benchmark for Language-Conditioned Surgical Tool Segmentation
이 논문은 수술 중 특정 도구 인스턴스를 언어로 지칭하여 위치를 파악하는 임상적 요구를 충족시키기 위해, 다양한 수술 유형과 조건을 포괄하는 최초의 언어 기반 수술 도구 분할 벤치마크인 'GroundedSurg'를 제안하고 이를 통해 기존 비전 - 언어 모델의 성능 격차와 임상적 추론의 필요성을 입증했습니다.
GuiDINO: Rethinking Vision Foundation Model in Medical Image Segmentation
이 논문은 DINOv3 의 시각적 특징을 경량 TokenBook 메커니즘을 통해 공간 가이드 마스크로 변환하여 의료 전용 분할 아키텍처에 사전 학습된 지식을 주입하고 미세 조정 없이도 분할 성능과 경계 강건성을 향상시키는 GuiDINO 프레임워크를 제안합니다.
ClinCoT: Clinical-Aware Visual Chain-of-Thought for Medical Vision Language Models
이 논문은 의료용 시각 - 언어 모델이 국소적 병리 증거에 기반한 사실적 환각을 줄이고 임상적 추론 능력을 향상시키기 위해, 가설 기반 영역 제안과 점수 기반 마진 최적화를 활용한 'ClinCoT'라는 임상 인식 시각적 사고 체인 프레임워크를 제안합니다.
Predictive Reasoning with Augmented Anomaly Contrastive Learning for Compositional Visual Relations
이 논문은 구성적 시각 관계 (CVR) 작업에서 세 개의 이미지로 규칙을 학습하고 나머지 이미지의 이상치를 식별하기 위해 예측 및 검증 패러다임과 증강 이상 대비 학습을 결합한 PR-ACL 모델을 제안하여 기존 최첨단 모델보다 뛰어난 성능을 달성했다고 요약할 수 있습니다.
Teacher-Guided Causal Interventions for Image Denoising: Orthogonal Content-Noise Disentanglement in Vision Transformers
이 논문은 비전 트랜스포머 프레임워크 내에서 환경 편향 조정, 직교성 기반 콘텐츠-노이즈 분리, 그리고 Nano Banana Pro 를 활용한 인과적 사전 지식 도입을 통해 기존 이미지 잡음 제거 모델의 한계를 극복하고 높은 정확도와 실시간 처리 속도를 달성한 'TCD-Net'을 제안합니다.
ArtLLM: Generating Articulated Assets via 3D LLM
이 논문은 기존 방법들의 한계를 극복하고 3D 메시로부터 가변적인 부품과 조인트를 예측하여 고충실도 가동성 3D 자산 생성 및 디지털 트윈 구축을 가능하게 하는 새로운 프레임워크인 ArtLLM 을 제안합니다.
TC-SSA: Token Compression via Semantic Slot Aggregation for Gigapixel Pathology Reasoning
이 논문은 기가픽셀 병리 이미지 처리 시 발생하는 계산 병목 현상을 해결하기 위해, 학습 가능한 토큰 압축 프레임워크인 TC-SSA 를 제안하여 진단에 중요한 정보를 유지하면서 시각 토큰 수를 획기적으로 줄이고 진단 정확도를 향상시킨다는 점입니다.
ConVibNet: Needle Detection during Continuous Insertion via Frequency-Inspired Features
이 논문은 초음파 유도 하의 바늘 삽입 중 발생하는 가시성 저하 문제를 해결하기 위해, 시간적 상관관계를 모델링하고 새로운 손실 함수를 도입하여 실시간 바늘 탐지 정확도와 강건성을 크게 향상시킨 'ConVibNet' 프레임워크를 제안합니다.
D-REX: Differentiable Real-to-Sim-to-Real Engine for Learning Dexterous Grasping
이 논문은 가우스 스플랫을 활용한 차분 가능한 엔진을 통해 실제 시각 관측과 로봇 제어 신호로부터 물체 질량을 자동으로 식별하고 이를 기반으로 힘 인식 그리핑 정책을 학습함으로써 시뮬레이션과 현실 간의 격차를 효과적으로 해소하는 'D-REX' 시스템을 제안합니다.
GRAD-Former: Gated Robust Attention-based Differential Transformer for Change Detection
이 논문은 고해상도 위성 영상의 변화 탐지 분야에서 기존 모델의 한계를 극복하고 적은 파라미터로 최첨단 성능을 달성하기 위해 게이트 메커니즘과 차분 어텐션을 활용한 새로운 GRAD-Former 프레임워크를 제안합니다.
BeautyGRPO: Aesthetic Alignment for Face Retouching via Dynamic Path Guidance and Fine-Grained Preference Modeling
이 논문은 기존 방법들의 한계를 극복하고 인간의 미적 선호도와 높은 충실도를 동시에 달성하기 위해, 정교한 선호도 데이터셋과 reward 모델을 구축하고 확률적 드리프트를 보정하는 동적 경로 안내 (DPG) 기법을 도입한 얼굴 보정 강화학습 프레임워크 'BeautyGRPO'를 제안합니다.
FREE-Edit: Using Editing-aware Injection in Rectified Flow Models for Zero-shot Image-Driven Video Editing
이 논문은 편집 영역을 식별하여 주입 강도를 조절하는 '편집 인지 주입 (Editing-aware Injection)' 기법을 도입하고, 이를 정류 흐름 (Rectified Flow) 모델에 적용하여 미세 조정 없이 고품질의 영상이동 편집을 가능하게 하는 'FREE-Edit' 프레임워크를 제안합니다.
TripleSumm: Adaptive Triple-Modality Fusion for Video Summarization
이 논문은 시각, 텍스트, 오디오 세 가지 모달리티를 프레임 수준에서 적응적으로 융합하는 'TripleSumm' 아키텍처와 대규모 멀티모달 벤치마크 'MoSu'를 제안하여 기존 비디오 요약 방법의 한계를 극복하고 최첨단 성능을 달성했다고 요약할 수 있습니다.
VP-Hype: A Hybrid Mamba-Transformer Framework with Visual-Textual Prompting for Hyperspectral Image Classification
이 논문은 선형 시간 효율성을 가진 상태 공간 모델 (SSM) 과 관계 모델링이 가능한 트랜스포머를 결합한 하이브리드 아키텍처와 시각 - 텍스트 프롬프팅을 도입하여, 레이블이 부족한 환경에서도 hyperspectral 이미지 분류의 정확도를 획기적으로 향상시킨 VP-Hype 프레임워크를 제안합니다.
RnG: A Unified Transformer for Complete 3D Modeling from Partial Observations
RnG 는 부분적인 2D 관측으로부터 완전한 3D 구조를 추론하기 위해 재구성과 생성 작업을 통합한 새로운 퓨드-포워드 Transformer 로서, 재구성 유도 인과 어텐션 메커니즘을 통해 가시 영역의 정밀한 재구성과 보이지 않는 영역의 타당한 생성을 동시에 수행하여 실시간 고충실도 3D 모델링을 가능하게 합니다.