4066 artigos
O artigo apresenta o SemVID, um framework de poda de tokens sem treinamento que otimiza a eficiência e mantém a precisão na localização temporal de vídeos, preservando evidências críticas e conexões entre quadros essenciais para a compreensão semântica.
Este artigo propõe o uso de primitivas de Gabor, que modulam envelopes gaussianos para representar frequências espaciais arbitrárias, combinadas com uma decomposição temporal de baixo posto, para reconstruir imagens de ressonância magnética cardíaca acelerada com maior eficiência e interpretabilidade física do que métodos existentes.
O artigo apresenta o OWL, uma nova abordagem analítica baseada no tempo que utiliza apenas pistas visuais de movimento para realizar mapeamento 3D escalado e reconstrução de cena em tempo real, sem depender de conhecimento prévio do ambiente ou do movimento da câmera.
Este artigo apresenta um novo framework de inpainting longitudinal baseado em modelos de difusão que utiliza contexto temporal e atenção a regiões específicas para reparar lesões em ressonâncias magnéticas cerebrais com alta fidelidade perceptual, estabilidade temporal e eficiência computacional, superando significativamente os métodos existentes.
O artigo apresenta o MultiHaystack, o primeiro benchmark de grande escala projetado para avaliar a recuperação e o raciocínio multimodais em corpora heterogêneos contendo mais de 46.000 documentos, imagens e vídeos, revelando que o desempenho dos modelos de linguagem multimodais cai drasticamente quando exigidos a localizar evidências em meio a grandes conjuntos de dados, em vez de receberem as informações diretamente.
Este artigo apresenta o framework AVG, que supera os desafios da geolocalização global precisa ao combinar um novo benchmark audiovisual com um sistema de três estágios que utiliza percepção interpretável de "átomos acústicos", raciocínio multimodal e previsão de precisão em variedades esféricas para resolver ambiguidades visuais através de pistas sonoras.
O artigo apresenta o Any2Full, um framework de uma única etapa e agnóstico a padrões que reformula a conclusão de profundidade como uma adaptação de escala baseada em prompts de um modelo pré-treinado de estimativa de profundidade monocromática, superando métodos existentes em robustez e eficiência ao eliminar a necessidade de alinhamento explícito em duas etapas.
Este trabalho propõe um framework leve e interpretável para a detecção de artefatos de movimento em ressonância magnética cerebral estrutural, combinando características DHoGM tridimensionais e bidimensionais para alcançar alta precisão e robustez na avaliação automática de qualidade em diferentes sites de aquisição.
Este artigo apresenta um pipeline automatizado que converte o conjunto de treinamento do ImageNet em um dataset multilabel sem anotações humanas, utilizando descoberta de objetos auto-supervisionada para gerar rótulos que melhoram significativamente a precisão de classificação e a transferência de aprendizado em comparação com o esquema de rótulo único tradicional.
Este artigo propõe um método baseado em CLIP para gerar automaticamente linhas do tempo e narrativas cirúrgicas estruturadas a partir de vídeos, alinhando quadros visuais com descrições textuais de gestos para reduzir a necessidade de anotação manual por cirurgiões.
O artigo apresenta o Uni-LVC, um método unificado de compressão de vídeo aprendida que integra modos intra e inter em um único modelo, utilizando atenção cruzada e um classificador sensível à confiabilidade para superar as limitações de modelos anteriores e alcançar desempenho superior em eficiência de compressão e flexibilidade de codificação.
O artigo apresenta o Icarus, um modelo de céu para todas as condições meteorológicas baseado em aprendizado profundo que gera mapas de ambiente de Alto Alcance Dinâmico (HDR) com alta precisão fotorealista, superando as limitações atuais na modelagem da região solar e permitindo o controle interativo de formações solares e de nuvens para Iluminação Baseada em Imagem (IBL).
O artigo propõe o método SCORE, que resolve conflitos de subespaço entre modelos treinados em domínios distintos ao projetá-los em uma base ortogonal compartilhada, melhorando significativamente a generalização de domínio em tarefas de fusão de modelos.
O artigo apresenta o LayerBind, um método sem treinamento e plug-and-play para Transformers de Difusão que permite controle preciso de layout regional e ordem de oclusão na geração de imagens a partir de texto, utilizando inicialização de instâncias em camadas e "enfermagem" semântica para garantir flexibilidade e qualidade.
O artigo apresenta o BM25-V, um método de recuperação de imagens que aplica a pontuação Okapi BM25 a ativações esparsas de "palavras visuais" derivadas de um Autoencoder Esparsos (SAE) em features de Vision Transformers, oferecendo uma abordagem eficiente, interpretável e de alta precisão que rivaliza com métodos densos ao utilizar um índice invertido para selecionar candidatos e um reordenamento posterior.
Este artigo apresenta um framework diagnóstico espectral que revela que a consistência estrutural espectral, e não o aprimoramento de detalhes espaciais, é o fator determinante para a qualidade da reconstrução 3D em pipelines de 2D para 3D, demonstrando que métodos clássicos de interpolação frequentemente superam upsamplers aprendíveis nessa tarefa.
O artigo apresenta o EventGeM, um pipeline state-of-the-art para reconhecimento visual de lugares baseado em eventos que combina correspondência global e local de características com estimativa de profundidade para alcançar localização precisa em tempo real em diversas condições de iluminação e plataformas robóticas.
O artigo propõe o framework LIPAR, uma técnica livre de treinamento que acelera a geração de vídeo ao eliminar redundâncias temporais em latentes e recuperar a atenção para evitar artefatos, aumentando o throughput em 1,45 vezes sem comprometer a qualidade.
O artigo apresenta o MaCS (Margin and Consistency Supervision), um framework de regularização simples e agnóstico à arquitetura que, ao combinar uma penalidade de margem no espaço de logits com um regularizador de consistência, melhora significativamente a calibração e a robustez de modelos de visão computacional sem comprometer a precisão ou exigir alterações estruturais.
Este trabalho propõe uma arquitetura unificada e fisicamente consistente para processamento conjunto de imagens e parâmetros de Stokes, que supera as limitações de métodos existentes ao alcançar desempenho de ponta em diversas tarefas de restauração de imagens polarimétricas degradadas (como ruído, desfoque e artefatos de mosaico) sem a necessidade de redes específicas para cada tipo de degradação.