1863 artigos
O artigo apresenta o CIPHER, um método livre de treinamento que suprime alucinações induzidas por visão em Modelos de Linguagem e Visão de Grande Escala (LVLMs) ao projetar estados ocultos intermediários para fora de um subespaço de baixa dimensão característico, identificado através de um conjunto de dados contrafactual (OHC-25K) gerado por difusão.
O artigo apresenta o StructDamage, um novo conjunto de dados unificado e em grande escala contendo aproximadamente 78.093 imagens de nove tipos de superfícies, criado para superar as limitações de generalização dos métodos atuais de detecção automática de fissuras e defeitos estruturais e promover pesquisas reprodutíveis e robustas.
Este artigo propõe uma rede neural autoencoder de aprendizado auto-supervisionado espacial para a seleção de picos em imagens de espectrometria de massa, acompanhada de um novo procedimento de avaliação baseado em máscaras de segmentação anotadas por especialistas, demonstrando superioridade sobre métodos atuais em diversos conjuntos de dados públicos.
O artigo apresenta o IMTBench, um novo benchmark multi-cenário e multi-modal composto por 2.500 amostras que avalia a qualidade da tradução de texto em imagens, a preservação do contexto visual e a consistência entre o texto traduzido e a renderização final, revelando lacunas significativas de desempenho nos sistemas atuais.
Este trabalho demonstra que a exposição ingênua das capacidades de refinamento e raciocínio de sistemas de IA generativa comercial, acessíveis por meio de prompts benignos, mina fundamentalmente os detectores de deepfake modernos ao permitir a criação de imagens que evitam a detecção, preservam a identidade e possuem alta qualidade perceptual, revelando uma lacuna crítica entre os modelos de ameaça atuais e as capacidades reais dessas ferramentas.
Este artigo propõe um novo método de fluxo autoregressivo com restrição de condicionamento ruim para desfoque de imagens em ultra-alta definição, decompondo a restauração em um processo progressivo de baixo para alto resolução e utilizando correspondência de fluxo com regularização para equilibrar a recuperação de detalhes finos e a eficiência de inferência em resoluções de 4K ou superiores.
Este artigo propõe um framework de desentrelaçamento semântico guiado visualmente que supera as limitações dos modelos texto-para-imagem na síntese de imagens médicas, utilizando alinhamento latente cross-modal e um módulo de fusão híbrida para garantir controle granular e alta qualidade na geração de dados.
O artigo propõe o STEPH, um novo esquema baseado em hiper-redes que utiliza a mistura esparsa de vetores de tarefas para transferir conhecimento generalizável entre diferentes tipos de câncer em imagens de lâminas inteiras (WSI), melhorando significativamente a precisão prognóstica e a eficiência computacional em comparação com métodos existentes.
O artigo apresenta o DSFlash, um modelo de baixa latência e eficiente em recursos para geração de gráficos de cena panóptica que processa fluxos de vídeo a 56 quadros por segundo sem comprometer o desempenho, tornando-o ideal para dispositivos de borda e pesquisadores com limitações computacionais.
Este estudo avalia a sensibilidade de 11 modelos fundamentais de segmentação de imagens a prompts humanos em tomografias computadorizadas musculoesqueléticas, revelando que o desempenho varia significativamente entre modelos e estratégias de prompt, e que a performance reportada com prompts ideais tende a superestimar os resultados em cenários reais guiados por humanos.
Este trabalho apresenta um novo framework guiado por linguagem para análise cognitiva de defeitos em compósitos de fibra de carbono usando termografia infravermelha ativa e modelos visão-linguagem pré-treinados, permitindo a detecção e localização de defeitos subsuperficiais em cenários zero-shot sem a necessidade de conjuntos de dados de treinamento específicos.
O artigo apresenta o P-GSVC, um novo framework de splatting gaussiano 2D progressivo e em camadas que oferece uma solução unificada para reconstrução escalável de imagens e vídeos, utilizando uma estratégia de treinamento conjunto que supera métodos sequenciais ao garantir compatibilidade entre camadas e melhorar significativamente a qualidade da reconstrução.
O artigo apresenta o PET-F2I-41K, um grande benchmark e um modelo de linguagem (PET-F2I-7B) ajustado de forma eficiente para gerar impressões diagnósticas precisas em relatórios de PET/CT, superando os modelos existentes ao introduzir métricas clínicas específicas e demonstrar superioridade em completude e confiabilidade factual.
O artigo apresenta o UniStitch, um framework inovador que unifica características geométricas e semânticas por meio de módulos como o Neural Point Transformer e o Adaptive Mixture of Experts, superando significativamente os métodos existentes de costura de imagens ao combinar as vantagens das abordagens tradicionais e baseadas em aprendizado.
O artigo R4-CGQA aborda a avaliação de qualidade de imagens de computação gráfica ao criar um novo conjunto de dados com descrições textuais e propor um framework de duas correntes baseado em recuperação (retrieval-augmented generation) que melhora significativamente a capacidade dos modelos de linguagem visuais de avaliar e explicar a qualidade dessas imagens.
Este artigo apresenta o LIDA, um novo paradigma de atribuição de imagens geradas por IA que, ao formular o problema como uma tarefa de recuperação de instâncias em vez de classificação e utilizar um módulo de impressão digital baseado em bits de baixa profundidade, alcança desempenho superior e é independente do modelo, funcionando eficazmente em cenários de poucos ou nenhum exemplo.
O artigo apresenta o Marigold-SSD, um novo framework de completude de profundidade em zero-shot que utiliza um modelo de difusão de passo único com fusão tardia para alcançar inferência rápida e robusta, eliminando a necessidade de otimização no tempo de teste e reduzindo significativamente o custo computacional.
Este artigo propõe o método de Discrepância de Transição Latente (LTD), que detecta imagens sintéticas analisando as inconsistências nas transições de características entre camadas de redes neurais, superando assim os métodos existentes em precisão e generalização para dados não vistos.
O artigo apresenta o HyPER-GAN, uma rede generativa adversarial leve baseada em U-Net que utiliza uma estratégia de treinamento híbrida com patches reais para melhorar a fotorealidade e a consistência semântica de dados sintéticos em tempo real, superando os métodos atuais em latência e qualidade visual.
O artigo apresenta o MUNIChus, o primeiro benchmark multilíngue para legendagem de imagens de notícias, que abrange nove idiomas (incluindo línguas de recursos limitados) e avalia diversos modelos de ponta para impulsionar o desenvolvimento e a avaliação de sistemas nessa área.