4144 artigos
O artigo propõe o LTA (Latent Transfer Attack), um método de ataque adversarial que otimiza perturbações no espaço latente de um VAE do Stable Diffusion em vez do espaço de pixels, resultando em exemplos mais robustos, de baixa frequência e com maior capacidade de transferência entre diferentes arquiteturas de modelos de visão computacional.
O artigo propõe o WMoE-CLIP, um método de aprendizado de prompts para detecção de anomalias zero-shot que combina um autoencoder variacional, decomposição por wavelets e um módulo de mistura de especialistas para superar as limitações de abordagens existentes na captura de semântica complexa e anomalias sutis.
O artigo apresenta o P-SLCR, uma estratégia inovadora de segmentação semântica não supervisionada para nuvens de pontos que utiliza aprendizado de estrutura de protótipos e raciocínio consistente para alcançar desempenho superior ao de métodos supervisionados clássicos em diversos conjuntos de dados.
Este estudo avalia a capacidade do ChatGPT de criar pastiches de obras de arte contemporâneas, revelando através da análise de doze artistas que, embora existam similaridades visuais e texturais, as gerações de IA carecem de dimensão, contexto e intenção artística, exigindo assim uma avaliação multimétrica em vez de métricas isoladas de estilo.
O artigo apresenta o WorldCache, um framework de cache heterogêneo que acelera modelos de mundo baseados em difusão em até 3,7 vezes mantendo 98% da qualidade da simulação, ao superar desafios de heterogeneidade de tokens e dinâmicas temporais não uniformes através de predição guiada por curvatura e pulo adaptativo priorizando comportamentos caóticos.
O artigo apresenta o K-MaT, um framework de aprendizado de prompts que utiliza transporte ótimo para alinhar representações de modelos de visão-linguagem biomédica de alta resolução a modalidades de baixa resolução sem necessidade de dados de treinamento, alcançando resultados superiores e mitigando o esquecimento catastrófico em tarefas de imagem médica.
O artigo apresenta o DC-DiT, um modelo de difusão que utiliza um mecanismo de "chunking" dinâmico e aprendido para adaptar a quantidade de tokens processados conforme a complexidade visual da imagem e o estágio da difusão, melhorando a eficiência computacional e a qualidade da geração sem necessidade de supervisão explícita.
O artigo apresenta o LATO, uma nova representação latente que preserva a topologia e permite a síntese escalável de malhas 3D explícitas por meio de correspondência de fluxo, utilizando um VAE baseado em voxels esparsos para codificar campos de deslocamento de vértices e um mecanismo dedicado para prever a conectividade de arestas, resultando em geração eficiente de geometrias complexas com topologia bem definida sem a necessidade de extração de isosuperfícies.
Este artigo apresenta métodos baseados em visão computacional, incluindo modelos lineares e redes neurais profundas, que utilizam um sistema de dupla câmera (BIODISCOVER) para estimar com precisão a biomassa de invertebrados a partir de imagens, eliminando a necessidade de pesagem manual destrutiva e permitindo a escalabilidade do monitoramento da biodiversidade.
Este artigo apresenta o OralGPT-Plus, um modelo de linguagem visual agêntico que utiliza aprendizado por reforço e um novo conjunto de dados chamado DentalProbe para realizar análises iterativas e simétricas de radiografias panorâmicas dentais, superando os métodos existentes em precisão diagnóstica e confiabilidade clínica.
O artigo apresenta o Rewis3d, um framework que utiliza a reconstrução 3D feed-forward como sinal de supervisão auxiliar para melhorar significativamente a segmentação semântica fraca supervisionada em imagens 2D, propagando anotações esparsas através da consistência geométrica e alcançando desempenho superior sem necessidade de rótulos adicionais.
O artigo apresenta o MoEMambaMIL, um framework inovador baseado em Modelos de Espaço de Estado (SSM) e Mistura de Especialistas (MoE) que supera as limitações das abordagens atuais de Aprendizado de Múltiplas Instâncias ao organizar a estrutura hierárquica de imagens de lâminas inteiras (WSI) em sequências espaciais estruturadas, resultando em desempenho superior em nove tarefas de análise patológica.
O artigo apresenta o CHMv2, um mapa global de altura de dossel com resolução de um metro que utiliza o modelo de estimativa de profundidade DINOv3 treinado com dados de LiDAR aéreo e imagens ópticas de satélite, oferecendo uma precisão significativamente superior e melhor representação de estruturas florestais em comparação com produtos existentes.
Este artigo apresenta um quadro de treinamento consciente de grupos de prompts que, ao organizar descrições semanticamente relacionadas e aplicar regularização guiada por qualidade e restrições de consistência, melhora a robustez e a generalização da segmentação de núcleos guiada por texto em patologia computacional sem alterar a arquitetura ou a inferência do modelo.
O artigo apresenta o REACT++, um novo modelo state-of-the-art para Geração de Grafos de Cena em tempo real que equilibra latência e poder representacional, alcançando a maior velocidade de inferência entre os modelos existentes enquanto melhora a precisão na previsão de relações sem sacrificar a detecção de objetos.
Este artigo propõe um framework de resolução de quebra-cabeças com intervenção humana que combina um solucionador automático com orientação interativa para reconstruir com maior precisão e eficiência fragmentos de patrimônio cultural em escala real, superando as limitações de métodos puramente automáticos ou manuais.
O artigo apresenta o DiffInf, um framework baseado em difusão guiada por influência que identifica e corrige automaticamente inconsistências de anotação em dados faciais, melhorando a classificação de atributos sem descartar amostras ou sacrificar a cobertura da distribuição.
O artigo demonstra que a organização figura-fundo no modelo Vision Transformer BEiT, que favorece naturalmente a conclusão convexa, é resolvida abruptamente nas camadas finais e pode ser alterada para permitir conclusões côncavas através da modulação de uma única cabeça de atenção específica (L0H9).
O artigo apresenta o PSIVG, um novo quadro de trabalho que integra um simulador físico em um processo de geração de vídeo por difusão para corrigir inconsistências de movimento e garantir a aderência às leis físicas, ao mesmo tempo em que preserva a qualidade visual e a diversidade dos vídeos gerados.
Este artigo propõe um método não invasivo de visão estéreo consciente da refração, utilizando a rede YOLOv11-Pose para detectar pontos-chave anatômicos e estimar o comprimento de peixes de aquário com precisão, superando as distorções ópticas causadas pelas interfaces ar-vidro-água.