4043 artigos
Este trabalho propõe uma decomposição funcional de Anel Tensorial reparametrizada, que utiliza Representações Neurais Implícitas e uma estrutura de base fixa para superar as limitações de dados em malhas e melhorar a recuperação de detalhes de alta frequência em tarefas de reconstrução de dados multidimensionais.
O artigo propõe o FastLightGen, um método inovador de destilação que simultaneamente reduz o número de passos de amostragem e o tamanho do modelo, permitindo a geração de vídeo de alta qualidade com poucos passos e parâmetros, superando os métodos existentes em eficiência.
O artigo apresenta o VSearcher, um agente de busca multimodal de longo horizonte que utiliza aprendizado por reforço e um pipeline de síntese de dados para transformar modelos estáticos em agentes capazes de realizar buscas complexas na web, superando modelos proprietários em tarefas de busca multimodal.
O artigo apresenta o "Think-as-You-See" (TaYS), um framework unificado que permite raciocínio simultâneo e contínuo em Modelos de Linguagem e Visão Grandes (LVLMs) ao processar fluxos de vídeo em tempo real, superando as limitações dos métodos em lote e intercalados ao reduzir significativamente a latência e melhorar o desempenho em tarefas de raciocínio visual.
O CoEditor++ é um framework de edição de imagens baseada em instruções, livre de treinamento e estruturado cognitivamente, que supera os modelos existentes em consistência visual e raciocínio semântico ao decompor a tarefa em etapas de "o que" e "como" editar, alcançando desempenho de ponta em benchmarks gerais e de conformidade.
O artigo apresenta o RoboLayout, uma extensão do LayoutVLM que aprimora a geração de layouts de cenas 3D para agentes corporificados ao integrar restrições de alcançabilidade em um processo de otimização diferenciável e incluir uma etapa de refinamento local, permitindo a criação de ambientes semanticamente coerentes e fisicamente viáveis para diversos tipos de agentes.
O artigo apresenta o Omni-C, um único codificador denso baseado em Transformer que comprime modalidades heterogêneas (imagem, áudio e texto) em representações compartilhadas competitivas através de pré-treinamento contrastivo, eliminando a necessidade de arquiteturas complexas de Mixture-of-Experts e reduzindo significativamente o uso de memória para inferência eficiente.
Este artigo apresenta o primeiro framework computacional multimodal para prever o prognóstico da nefrite lúpica pediátrica, utilizando apenas biópsias coradas com PAS e dados clínicos estruturados por meio de um Transformer de Injeção Clínica e uma estratégia de adaptação de domínio baseada em MAE, alcançando alta precisão na previsão da resposta ao tratamento.
O artigo apresenta o SKETCHGAIT, um novo quadro de reconhecimento de marcha que utiliza a representação visual "Sketch" para extrair estruturas densas e livres de rótulos diretamente de imagens RGB, superando as limitações das abordagens baseadas em silhuetas e parsing ao combinar streams modais independentes e fusão estrutural para alcançar desempenho robusto em diversos conjuntos de dados.
Este artigo apresenta um pipeline de previsão de trajetória para interseções urbanas baseado em gêmeos digitais e V2X, que utiliza uma função de perda inovadora combinando erro quadrático médio e uma "twin loss" para garantir precisão, diversidade e conformidade com regras de trânsito, reduzindo significativamente violações críticas sem comprometer o desempenho em tempo real.
O artigo apresenta o AutoThinkRAG, um framework que melhora a resposta a perguntas em documentos complexos combinando um roteador de complexidade de consultas com uma arquitetura de decuplagem funcional que utiliza um modelo visual pequeno para interpretação e um LLM para raciocínio, alcançando desempenho superior ao estado da arte com custos reduzidos.
O artigo apresenta a BISE (Extração de Sub-redes Invariantes a Vieses), uma estratégia que identifica e isola sub-redes "livres de vieses" dentro de modelos pré-treinados convencionais através de poda, permitindo mitigar vieses algorítmicos sem a necessidade de retreinamento, ajuste fino ou dados adicionais.
O artigo apresenta o "Thinking with Spatial Code", um framework que transforma vídeos RGB em representações 3D explícitas e temporalmente coerentes, permitindo que modelos de linguagem de grande porte realizem raciocínio físico com base em variáveis espaciais estruturadas e alcancem o estado da arte no VSI-Bench.
Este artigo propõe o primeiro framework de verificação robusta acoplado para detectores de keypoints baseados em mapas de calor, utilizando um programa linear de números mistos (MILP) para garantir a robustez conjunta de todos os keypoints e superar as limitações conservadoras das abordagens decopladas anteriores.
O artigo apresenta o DreamCAD, um framework generativo multimodal que produz modelos CAD editáveis (BRep) a partir de supervisão em nível de pontos, permitindo treinamento em larga escala em milhões de malhas 3D não anotadas e introduzindo o conjunto de dados CADCap-1M para avançar na pesquisa de texto-para-CAD.
O artigo propõe o método ABRA, uma abordagem de generalização de domínio que utiliza aumento de representação adversária para mitigar efeitos de lote biológico em imagens de triagem celular de alto conteúdo, estabelecendo um novo estado da arte na classificação de perturbações siRNA.
O artigo propõe o "Post Fusion Stabilizer" (PFS), um módulo leve que estabiliza as representações de visão de pássaro em detectores de fusão Câmera-LiDAR existentes, melhorando significativamente a robustez contra falhas de sensores e mudanças de domínio sem a necessidade de reestruturar a arquitetura ou reentrenar modelos completos.
O artigo apresenta o CBM-Suite, um framework metodológico que supera as limitações dos Modelos de Gargalo de Conceito (CBMs) ao propor uma métrica de entropia para avaliar conceitos, resolver o problema de linearidade com camadas não lineares, reduzir a lacuna de precisão via distilação e analisar sistematicamente o impacto de diferentes backbones e VLMs na interpretabilidade e desempenho.
Este artigo propõe o Interpolated FID (iFID), uma métrica simples baseada na interpolação no espaço latente que supera o FID de reconstrução tradicional ao demonstrar uma forte correlação com a qualidade de geração de modelos de difusão latente, permitindo prever com precisão o desempenho desses modelos.
Este artigo propõe a Contagem Implícita de Erros (IEC), uma abordagem de aprendizado por reforço sem referência que enumera e pondera erros em vez de verificar acertos contra um gabarito, demonstrando sua superioridade em tarefas de "virtual try-on" onde múltiplas respostas válidas tornam a geração de rubricas tradicional inviável.