4088 artigos
Este artigo propõe um modelo de ensemble que combina quatro fusões independentes de Redes Neurais Convolucionais (CNNs) e Vision Transformers (ViTs) para superar limitações de arquiteturas individuais, alcançando alta precisão na classificação de imagens de sensoriamento remoto com uso eficiente de recursos computacionais.
O artigo apresenta o Cog2Gen3D, um framework de difusão guiado por cognição 3D que integra representações semânticas e geométricas absolutas em um grafo unificado para superar limitações de escala e coerência espacial, resultando na geração de objetos 3D fisicamente plausíveis e semanticamente fiéis.
O artigo apresenta o VS3R, um framework inovador que combina reconstrução 3D feed-forward com modelos de difusão de vídeo generativos para superar o compromisso entre robustez geométrica e consistência de quadro completo, permitindo a estabilização de vídeo de alta fidelidade em cenários extremos sem necessidade de corte agressivo.
O artigo apresenta o MACRO, um agente médico autônomo que evolui dinamicamente ao descobrir e sintetizar novas ferramentas compostas a partir de experiências passadas, superando a rigidez dos sistemas estáticos e melhorando a precisão e a generalização na interpretação de imagens médicas.
O artigo apresenta o TumorChain, um framework de raciocínio intercalado multimodal e o conjunto de dados TumorCoT, que visam melhorar a precisão, a rastreabilidade e a confiabilidade da análise clínica de tumores por meio de um processo de inferência passo a passo que integra imagens 3D de TC e texto clínico.
O artigo apresenta o PatchCue, um novo paradigma de pistas visuais baseado em patches que aprimora o raciocínio de modelos visão-linguagem ao alinhar-se com hábitos perceptivos humanos e superar abordagens anteriores baseadas em pixels ou pontos, resultando em melhor desempenho em diversas tarefas de compreensão multimodal.
O artigo apresenta o MemSeg-Agent, um agente de segmentação de imagens médicas que substitui a adaptação no espaço de pesos por um espaço de memória, permitindo aprendizado com poucos exemplos, aprendizado federado eficiente e adaptação no momento do teste sem necessidade de ajuste fino dos parâmetros do modelo.
Este artigo apresenta uma avaliação sistemática da geração de vistas sintéticas para reconhecimento de lugares em vídeo (VPR), demonstrando que, embora pequenas adições de novas vistas melhorem as estatísticas de reconhecimento, para adições maiores o tipo de imagem e a quantidade de vistas são mais determinantes do que a magnitude da mudança de perspectiva.
O artigo apresenta o CylinderSplat, um novo framework feed-forward que utiliza uma representação de triplanos cilíndricos e uma arquitetura de dupla ramificação para superar as limitações de distorção e oclusão na síntese de novas vistas panorâmicas 3D, alcançando resultados state-of-the-art tanto em cenários de visão única quanto múltipla.
O artigo apresenta o PixARMesh, um método inovador que reconstrói cenas 3D completas e prontas para uso artístico diretamente de uma única imagem RGB, gerando malhas coerentes e de alta fidelidade em uma única passagem através de um processo autoregressivo que unifica a previsão de layout e geometria.
O artigo apresenta o InnoAds-Composer, um framework de estágio único que gera pôsteres de produtos para e-commerce com alta fidelidade ao controlar simultaneamente sujeito, texto e estilo, otimizando a eficiência computacional e melhorando a renderização de texto chinês.
Este artigo propõe três técnicas de mitigação de viés — filtragem top-k de conceitos, remoção de conceitos enviesados e desviés adversarial — para aprimorar a justiça em Modelos de Garrafa de Conceito (CBMs), superando trabalhos anteriores no equilíbrio entre desempenho e equidade na classificação de imagens.
O artigo apresenta o CollabOD, um framework colaborativo leve que melhora a detecção de objetos pequenos em imagens de UAVs ao preservar detalhes estruturais, alinhar fluxos de características heterogêneas e otimizar o design para manter a eficiência computacional sem comprometer a robustez.
O artigo propõe o Art3D, um novo paradigma de síntese de disparidade artística que, ao contrário dos métodos tradicionais focados apenas na precisão geométrica, utiliza uma arquitetura de duplo caminho e supervisão indireta para replicar a intenção criativa e os efeitos cinematográficos imersivos do cinema 3D profissional.
O artigo apresenta o Pano3DComposer, um framework eficiente e feed-forward que gera cenas 3D composicionais de alta fidelidade a partir de uma única imagem panorâmica, superando limitações de métodos anteriores ao decoupar a geração de objetos da estimativa de layout por meio de um preditor de transformação objeto-mundo e um mecanismo de alinhamento do grosseiro ao fino.
O artigo apresenta o CORE-Seg, um framework end-to-end que integra raciocínio e segmentação médica via aprendizado por reforço e uma nova base de dados de raciocínio (ComLesion-14K), alcançando resultados state-of-the-art na segmentação de lesões complexas ao superar os limites de modelos tradicionais e de linguagem multimodal.
O artigo apresenta o BlackMirror, um framework de detecção de backdoors em modelos de texto-para-imagem em cenários de caixa-preta que identifica manipulações semânticas parciais estáveis através de um processo de alinhamento instrução-resposta e verificação de estabilidade, superando as limitações de métodos baseados apenas em similaridade visual.
O artigo propõe o RAC (Rectified Flow Auto Coder), um modelo que substitui os VAEs tradicionais utilizando um fluxo retificado para permitir inferência bidirecional, refinamento passo a passo e correção de variáveis latentes, superando os melhores modelos existentes em qualidade de reconstrução e geração com cerca de 70% menos custo computacional.
Este artigo apresenta o RAID, um grande conjunto de dados anotado para pesquisa sobre percepção de risco de motoristas, e propõe um framework de identificação de objetos de risco supervisionado fracamente que supera os métodos existentes ao modelar a relação entre manobras intencionais e respostas do motorista.
O artigo apresenta o TAR-ViTPose, um novo modelo de Vision Transformer que aprimora a estimativa de pose humana em vídeos ao agregar e restaurar temporalmente informações entre quadros, superando as limitações de métodos estáticos e alcançando desempenho superior e maior eficiência computacional.