3606 artigos
O artigo apresenta o 3DMedAgent, um agente unificado que capacita modelos de linguagem multimodal (MLLMs) bidimensionais a realizar análises completas de tomografias computadorizadas 3D sem necessidade de ajuste fino específico para 3D, coordenando ferramentas heterogêneas e memória estruturada para decompor tarefas complexas em raciocínio passo a passo baseado em evidências.
Este artigo demonstra que arquiteturas que aprendem operadores equivariantes em um espaço latente podem superar as limitações de redes tradicionais e equivariantes na classificação de objetos sob transformações simétricas não vistas durante o treinamento, embora ainda existam desafios significativos para escalar essa abordagem a conjuntos de dados mais complexos.
O artigo apresenta o OVerSeeC, um framework modular de zero-shot que gera mapas de custo globais para planejamento de navegação autônoma a partir de imagens de satélite e instruções em linguagem natural, combinando modelos de linguagem e segmentação aberta para adaptar-se dinamicamente a entidades desconhecidas e regras de missão composicionais.
Este trabalho apresenta o novo cenário de Generalização de Domínio de Vocabulário Aberto em Segmentação Semântica (OVDG-SS), introduzindo um benchmark pioneiro para direção autônoma e propondo o mecanismo S2-Corr para refinar as correlações texto-imagem em Modelos Visão-Linguagem, superando assim as limitações de robustez em domínios e categorias não vistos.
O artigo apresenta o UniMatch, um framework de correspondência semântica densa que utiliza orientação linguística e aprendizado contrastivo para estabelecer correspondências entre formas 3D não isométricas de categorias diversas, superando as limitações de métodos anteriores que dependiam de suposições isométricas ou de tipos de sujeitos homogêneos.
O artigo apresenta o InfScene-SR, um método de super-resolução baseado em difusão que utiliza correção de variância espacialmente desacoplada para realizar a super-resolução contínua e sem costuras de imagens de tamanho arbitrário, eliminando artefatos de borda e melhorando o desempenho em tarefas de segmentação semântica.
Este artigo propõe um esquema de decomposição e recomposição online de objeto, cena e câmera para gerar dados de treinamento diversificados e combater o sobreajuste na detecção 3D de objetos monoculares, permitindo um aprendizado eficiente e escalável tanto em cenários totalmente quanto esparsamente supervisionados.
Este trabalho apresenta um framework de decomposição de imagens em camadas que utiliza modelos de difusão pré-treinados, adaptados via LoRA e uma estratégia de ajuste cíclico consistente, para separar eficazmente elementos complexos como logotipos de suas superfícies enquanto preserva a fidelidade de ambas as camadas.
O artigo apresenta o "See It, Say It, Sorted", um framework leve e sem treinamento que aprimora o raciocínio multimodal em modelos LVLMs ao supervisionar iterativamente cada passo do pensamento com evidências visuais dinâmicas, reduzindo alucinações e melhorando a precisão sem necessidade de re-treinamento.
Este artigo apresenta uma abordagem unificada para segmentação semântica em imagens e vídeos que utiliza modelagem de linguagem para gerar máscaras como sequências de tokens discretos baseados em codificação por comprimento de execução (RLE), incorporando estratégias de compressão e informações de instância para alcançar desempenho competitivo com o estado da arte.
O WISER é um framework de recuperação de imagens composta zero-shot sem treinamento que supera os métodos existentes ao unificar as abordagens Texto-para-Imagem e Imagem-para-Imagem em um pipeline de "busca mais ampla, pensamento mais profundo e fusão adaptativa", utilizando verificação de confiança e auto-reflexão estruturada para refinar dinamicamente os resultados.
O artigo apresenta o PackUV, um novo método de representação volumétrica 4D que mapeia atributos gaussianos em mapas UV estruturados para compatibilidade com codecs de vídeo padrão, introduzindo também o método de ajuste PackUV-GS e o conjunto de dados PackUV-2B para superar limitações de consistência temporal e escalabilidade em sequências longas.
O artigo apresenta o HART, um quadro de aprendizado por reforço que permite que Modelos Multimodais de Grande Escala realizem raciocínio visual em alta resolução sem anotações humanas, otimizando a localização de regiões-chave e melhorando o desempenho em diversas tarefas complexas.
O artigo apresenta o Infinito Self-Attention (InfSA), uma reformulação espectral que modela a atenção como um processo de difusão em grafos de tokens para superar o custo quadrático do softmax, introduzindo a variante Linear-InfSA que alcança complexidade linear, permite processamento de imagens de ultra-alta resolução (até 9216x9216) e supera os Transformers convencionais em precisão e eficiência energética no ImageNet.
O artigo apresenta o WildActor, um framework de geração de vídeos humanos que preserva a identidade corporal em condições desafiadoras de movimento e viewpoint, apoiado pelo novo conjunto de dados em larga escala Actor-18M e validado pelo benchmark Actor-Bench.
Este artigo de posicionamento defende que a avaliação de sistemas modernos de processamento visual deve abandonar a primazia de métricas objetivas de qualidade de imagem em favor de uma abordagem centrada no ser humano, contextual e detalhada, para evitar que a divergência entre resultados métricos e percepção humana restrinja a inovação e desvie o progresso da pesquisa.
O artigo apresenta o DeAR, um framework que adapta modelos de visão e linguagem de forma granular decompondo os papéis dos cabeçalhos de atenção e utilizando uma máscara baseada em funções para equilibrar a adaptação a tarefas específicas com a preservação da generalização zero-shot.
O artigo propõe o framework MSP, que utiliza aumento orientado a penteados, apagamento aleatório preservando roupas e atenção baseada em parsing para mitigar a dependência de características voláteis de cabelo e melhorar a reidentificação de pessoas que mudam de roupa.
Este artigo apresenta um pipeline baseado em detecção que integra um localizador e um segmentador para extrair com precisão e generalidade a forma de onda da área glótica a partir de videoendoscopia de alta velocidade, permitindo a avaliação clínica robusta de biomarcadores funcionais em tempo real.
Este artigo propõe um framework robusto que combina a arquitetura híbrida CoAtNet com a técnica de "model soups" para classificar imagens de Patrimônio Cultural Imaterial do Delta do Mekong, alcançando resultados state-of-the-art ao reduzir a variância e melhorar a generalização em cenários com dados limitados.