3729 artigos
Este artigo apresenta o TFM, um novo método de ataque que explora a vulnerabilidade temporal dos modelos de texto-para-vídeo ao solicitar apenas quadros inicial e final, permitindo que o modelo gere autonomamente conteúdo nocivo nos quadros intermediários e contorne assim os filtros de segurança tradicionais.
Este artigo propõe um método inovador de reconstrução 3D de microexpressões faciais que integra características dinâmicas globais e locais enriquecidas para superar os desafios da natureza sutil e transitória dessas expressões, superando os métodos atuais em precisão geométrica e detalhe perceptual.
O artigo propõe o framework CAPL, que combina calibração de atenção inter-imagem e aprendizado por preferência para mitigar alucinações em modelos de linguagem e visão grandes, melhorando a modelagem de associações entre múltiplas imagens e a fundamentação em evidências visuais autênticas.
O artigo propõe o SODA, um método de aceleração dinâmica orientado à sensibilidade que otimiza o cache e a poda em Transformers de Difusão com base em modelagem de erro de sensibilidade granular, alcançando fidelidade de geração superior em comparação com métodos existentes.
O artigo apresenta o MedSteer, um framework de direção de ativação sem treinamento para síntese endoscópica que gera pares contrafactuais preservando a estrutura anatômica ao identificar e manipular vetores de patologia nas camadas de atenção cruzada de modelos de difusão, superando métodos existentes na geração de dados causais e melhorando o desempenho na detecção de pólipos.
O artigo apresenta o VirtueBench, um novo benchmark projetado para avaliar a confiabilidade de Modelos Visão-Linguagem em vídeos longos ao distinguir entre casos respondíveis e não respondíveis, revelando que a maioria dos modelos atuais tende a adivinhar em vez de recusar respostas honestamente sob incerteza.
O artigo apresenta o PhyVLM-CR, uma abordagem inovadora que integra as capacidades semânticas de um Modelo Visão-Linguagem (VLM) a um modelo de restauração física para realizar a remoção unificada e de alta fidelidade de nuvens finas e espessas em imagens de sensoriamento remoto, eliminando a necessidade de decisões explícitas sobre o tipo de nuvem e garantindo resultados coerentes e livres de alucinações.
Este artigo apresenta o PSG-UIENet, uma rede de aprimoramento de imagens subaquáticas que integra correção de iluminação baseada em Retinex com orientações semânticas de linguagem, acompanhada pela criação do primeiro conjunto de dados multimodais (LUIQD-TD) e de uma função de perda específica para garantir consistência semântica entre texto e imagem.
Este trabalho propõe uma nova estratégia de seleção de camadas visíveis para EEG e um framework de fusão hierarquicamente complementar que alinham sinais cerebrais com representações visuais intermediárias, alcançando desempenho state-of-the-art na decodificação visual zero-shot ao mitigar o desajuste de informações entre modalidades.
O artigo apresenta o mAVE, um novo framework de marca d'água projetado nativamente para modelos de geração áudio-visual conjunta que, ao criptograficamente vincular os latentes de áudio e vídeo, elimina a vulnerabilidade de ataques de troca e protege a reputação e os direitos autorais dos fornecedores com integridade de ligação superior a 99%.
Este artigo propõe um método de geração de expressões faciais para interação diádica natural que alinha as respostas do ouvinte às preferências humanas, utilizando um modelo de visão-linguagem-ação e aprendizado por reforço com feedback humano para garantir a adequação emocional e contextual.
O artigo NuNext reformula a detecção de núcleos em histopatologia como uma tarefa de previsão do próximo ponto, utilizando um modelo de linguagem multimodal grande com treinamento em duas etapas (supervisão suave e ajuste fino por reforço) para gerar diretamente os centróides dos núcleos e superar os desequilíbrios e complexidades das abordagens existentes.
O artigo apresenta a S-PCL, um framework de aprendizado auto-supervisionado eficiente para radiografias de tórax que, ao particionar semanticamente os tokens de imagem sem depender de aumentos agressivos ou decodificadores auxiliares, alcança desempenho competitivo com menor custo computacional em diversos benchmarks médicos.
O artigo apresenta o TIQA, uma nova tarefa e conjunto de dados para avaliação da qualidade de texto em imagens geradas, juntamente com o método leve ANTIQA, que supera métricas existentes ao alinhar-se melhor aos julgamentos humanos e demonstrar valor prático na filtragem e reclassificação de gerações de modelos de texto-para-imagem.
O artigo apresenta o Inter-image Pixel Shuffling (IPS), um método inovador que permite a fusão de imagens multi-foco sem necessidade de dados de treinamento reais, reformulando a tarefa como um problema de classificação de pixels e utilizando uma rede de fusão híbrida que combina redes neurais convolucionais com modelos de espaço de estado para superar os métodos existentes.
O artigo apresenta o EyExIn, um framework eficiente em dados que utiliza um mecanismo de injeção profunda de especialistas para ancorar modelos de linguagem visual em conhecimento oftalmológico específico, superando lacunas de percepção e raciocínio e alcançando desempenho superior em diagnósticos de retina.
O artigo apresenta o AutoSelect, um método que reformula a poda de tokens visuais como um problema de comunicação com restrição de capacidade, utilizando um mecanismo de "gate" de ruído e um denoiser para treinar um seletor leve em modelos VLM congelados, permitindo a seleção automática dos tokens mais importantes durante a inferência com ganhos significativos de velocidade e precisão quase total.
O artigo apresenta o PDD, um novo framework de detecção de anomalias em imagens médicas que utiliza a destilação de conhecimento baseada em prioridade de manifold, unindo professores duplos (VMamba-Tiny e Wide-ResNet50) para superar os métodos existentes e alcançar desempenho state-of-the-art em diversos conjuntos de dados.
O artigo apresenta o CanoVerse, um novo framework de canonicização e um massivo dataset de 320 mil objetos 3D que resolvem a ambiguidade de rotação, permitindo geração mais estável, recuperação precisa de formas e estimativa de orientação zero-shot.
O artigo apresenta o LiveWorld, um novo framework que resolve o problema de "dinâmicas fora do campo de visão" em modelos de mundo generativos ao simular a evolução persistente de entidades não observadas, garantindo a consistência temporal e espacial do ambiente.