3928 artigos
O artigo apresenta o FeatureGS, um método que aprimora a reconstrução 3D por Splatting Gaussiano ao introduzir uma função de perda geométrica baseada em autovalores, resultando em maior precisão geométrica, redução drástica de artefatos flutuantes e menor uso de memória, permitindo o uso direto dos centros dos Gaussianos para representação geométrica.
O artigo apresenta o PoI (Pixel-of-Interest), um quadro que aprimora a regressão de coordenadas da cena para localização visual ao combinar a síntese de novas vistas refinada por difusão com uma estratégia progressiva de filtragem de pixels baseada em erro de reprojeção, garantindo assim a confiabilidade dos dados sintéticos e alcançando desempenho superior em benchmarks padrão.
Esta pesquisa oferece uma visão geral estruturada sobre como os modelos de linguagem multimodais estão transformando o ciclo de vida científico, abrangendo desde a descoberta e experimentação até a geração de conteúdo e avaliação, ao mesmo tempo que discute técnicas, tendências, desafios éticos e o potencial de integração em futuros sistemas de "IA para Ciência".
Este artigo apresenta o SCOTT, uma arquitetura de tokenização rasa que combina viéses convolucionais com uma estrutura MIM-JEPA, permitindo que modelos Vision Transformers aprendam representações robustas a partir de zero em regimes de dados escassos, desafiando a necessidade de grandes conjuntos de dados e recursos computacionais massivos para aprendizado de representação em visão computacional.
O artigo apresenta o NAMI, um modelo de Transformer baseado em fluxo retificado que utiliza uma abordagem progressiva e em cascata espacial com um módulo BridgeFlow para gerar imagens de alta resolução com 64% menos tempo de inferência, mantendo a qualidade e introduzindo o benchmark NAMI-1K para avaliação.
O artigo apresenta o ECLARE, um método de super-resolução auto-supervisionado que melhora a resolução de volumes de ressonância magnética anisotrópica ao estimar o perfil da fatia e aprender mapeamentos intra-volumes, superando métodos existentes em recuperação de sinal e tarefas subsequentes sem sofrer de deslocamento de domínio.
O artigo apresenta o EarthScape, um conjunto de dados multimodal pronto para IA que integra elevação, imagens aéreas e dados vetoriais para automatizar e escalar o mapeamento geológico superficial, demonstrando que as características do terreno oferecem o sinal preditivo mais confiável em comparação com dados espectros e de elevação brutos.
Este artigo apresenta um conjunto de testes baseados em medições psicofísicas da visão de baixo nível para avaliar a capacidade de métricas de qualidade de imagem e vídeo em capturar aspectos fundamentais da percepção humana, revelando limitações e comportamentos específicos de 34 métricas existentes que não são facilmente observados em protocolos de avaliação padrão.
O artigo apresenta o FindAnything, um framework de mapeamento em mundo aberto que integra informações visuais e linguísticas em submapas volumétricos centrados em objetos, permitindo uma compreensão semântica escalável e eficiente em termos de memória e tempo para exploração robótica em ambientes desconhecidos.
O artigo apresenta o GenCLIP, um novo framework para detecção de anomalias zero-shot que supera desafios de generalização e estabilidade ao integrar prompts gerais com dicas visuais de múltiplas camadas e uma estratégia de inferência de dupla ramificação, complementada por um mecanismo adaptativo de filtragem de prompts textuais.
Este artigo apresenta o EVA, um novo framework de aprendizado de características assíncronas inspirado em modelos de linguagem que supera métodos anteriores em tarefas de reconhecimento e detecção, permitindo o processamento eficiente e expressivo de dados de câmeras de eventos.
O artigo apresenta o BusterX, um modelo baseado em MLLM com treinamento por RL que detecta e explica falsificações em vídeos gerados por IA, apoiado pelo novo conjunto de dados GenBuster-200K e pelo benchmark GenBuster-Bench para superar as limitações atuais em precisão e interpretabilidade.
O artigo apresenta o DVD-Quant, um framework de quantização sem dados para Transformadores de Difusão em Vídeo que, através de três inovações técnicas, permite a aceleração de modelos com quantização de 4 bits sem comprometer a qualidade visual.
O artigo apresenta o Alchemist, um novo método e um conjunto de dados de ajuste fino supervisionado compacto (3.350 amostras) derivado de dados públicos de texto para imagem, que utiliza um modelo generativo pré-treinado como estimador para selecionar amostras de alto impacto, resultando em melhorias significativas na qualidade estética e alinhamento de cinco modelos públicos sem comprometer a diversidade.
Este artigo propõe um novo framework de Condensação de Dados de Instância (IDC) para Super-Resolução de Imagens, que utiliza extração de características de Fourier local aleatória e correspondência de distribuição de características em múltiplos níveis para gerar um conjunto de dados sintético condensado (10% do DIV2K) que alcança desempenho comparável ao conjunto original completo ao treinar modelos de super-resolução.
O artigo apresenta o VisioMath, um novo benchmark de 1.800 problemas matemáticos do ensino fundamental e médio que avaliam a capacidade de raciocínio comparativo de Modelos Multimodais Grandes (LMMs) ao distinguir diagramas visualmente similares, revelando que falhas frequentes decorrem de desalinhamento entre imagem e texto e demonstrando que estratégias de alinhamento podem melhorar significativamente o desempenho desses modelos.
O artigo apresenta o VisualPrompter, um framework de engenharia de prompts sem treinamento que utiliza um módulo de auto-reflexão visual e otimização semântica granular para alinhar melhor as imagens geradas com as descrições do usuário, alcançando desempenho de ponta em benchmarks de alinhamento texto-imagem.
O artigo propõe o SPoT, uma estratégia inovadora de tokenização que posiciona tokens continuamente dentro das imagens, superando as limitações das grades discretas e permitindo que os Vision Transformers explorem regimes de esparsidade para obter ganhos significativos de desempenho e eficiência.
O artigo apresenta o SPARC, um novo framework que utiliza autoencoders esparsos alinhados para criar um espaço latente unificado e compartilhado entre diferentes arquiteturas e modalidades de IA, permitindo a comparação direta de conceitos de alto nível e habilitando aplicações como localização espacial guiada por texto e recuperação cruzada.
O artigo apresenta o Token Bottleneck (ToBo), um pipeline de aprendizado auto-supervisionado que comprime cenas dinâmicas em um único token compacto para prever cenas subsequentes, demonstrando superioridade em tarefas de compreensão sequencial como rastreamento visual e manipulação robótica tanto em ambientes simulados quanto no mundo real.