3978 artigos
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.
O artigo apresenta o NarrLV, o primeiro benchmark abrangente para avaliar a capacidade de expressão narrativa em modelos de geração de vídeos longos, introduzindo o conceito de "Temporal Narrative Atom" e uma métrica baseada em MLLM que supera as limitações dos benchmarks atuais ao alinhar-se com julgamentos humanos.
O artigo apresenta o TomatoMAP, um dataset abrangente de imagens de tomate com anotações detalhadas e protocolos padronizados, validado por um framework de aprendizado profundo que demonstra desempenho comparável a especialistas humanos na fenotipagem de precisão.
O artigo apresenta o ExDD, um novo framework para detecção de defeitos industriais que supera as limitações dos paradigmas de uma única classe ao modelar explicitamente distribuições duplas de características e utilizar modelos de difusão latente para gerar defeitos sintéticos, alcançando desempenho superior no conjunto de dados KSDD2.
O artigo propõe o GSSR, um método que otimiza a distribuição e o alinhamento de Gaussians individuais em uma superfície latente por meio de regularização de opacidade e reinicialização guiada, superando as limitações geométricas do 3DGS tradicional para permitir reconstruções mais precisas e edição de cena intuitiva.
Este trabalho apresenta um sistema multiagente baseado em modelos de linguagem grandes multimodais (MLLM) que supera significativamente o estado da arte na extração automática e robusta de informações químicas complexas de gráficos e textos da literatura, facilitando a construção de bancos de dados estruturados para impulsionar a pesquisa química orientada por IA.
O artigo propõe o método MAP, uma técnica de decodificação sem treinamento que mitiga alucinações em Modelos de Linguagem e Visão Grandes ao interpretar os estados ocultos como mapas semânticos 2D e aplicar operações de atenção em nível de mapa para melhorar a consistência factual.
O artigo apresenta o VLMQ, um framework de quantização pós-treinamento (PTQ) projetado especificamente para modelos visão-linguagem (VLMs) que, ao identificar e mitigar a super-representação visual e a lacuna entre modalidades por meio da priorização seletiva de tokens salientes, alcança desempenho superior ao estado da arte, especialmente em configurações de baixa precisão.
O artigo apresenta o SGDFuse, um modelo de difusão condicional guiado pelo Segment Anything Model (SAM) que utiliza máscaras semânticas como priores explícitos para realizar a fusão de imagens infravermelhas e visíveis com alta fidelidade, preservando alvos-chave e melhorando o desempenho em tarefas visuais subsequentes.
O artigo apresenta os "campos de especialistas multivariados", um novo framework para aprendizado de priors de imagem que generaliza métodos existentes através de funções potenciais multivariadas, oferecendo reconstrução superior em diversos problemas inversos com maior velocidade, menor complexidade e garantias teóricas de convergência em comparação a modelos univariados e de aprendizado profundo.
O artigo apresenta o DianJin-OCR-R1, um modelo de linguagem visual aprimorado por raciocínio que combina capacidades próprias de OCR com ferramentas especializadas em um paradigma intercalado para reduzir alucinações e melhorar a precisão na compreensão de documentos.