4144 artigos
O artigo apresenta o CLoPA, uma estratégia de adaptação contínua que ajusta uma pequena fração dos parâmetros do modelo nnInteractive durante o fluxo de trabalho de anotação, elevando rapidamente o desempenho da segmentação interativa em diversas tarefas médicas para níveis de especialista sem exigir novos parâmetros ou alterações no pipeline de inferência.
O artigo apresenta o WanderDream, o primeiro grande conjunto de dados projetado para simulação emulativa de exploração mental, permitindo que agentes realizem raciocínio situado e respondam a perguntas do tipo "e se?" sem a necessidade de exploração física ativa.
O artigo apresenta o CaTok, um tokenizador de imagem causal unidimensional que utiliza um decodificador MeanFlow e uma regularização REPA-A para superar as limitações dos métodos atuais, alcançando resultados state-of-the-art na reconstrução de imagens do ImageNet e permitindo geração autoregressiva eficiente.
O artigo apresenta o Pinterest Canvas, um sistema de geração de imagens em larga escala que utiliza um modelo difusivo fundamental treinado em dados multimodais e rapidamente ajustado para tarefas específicas, resultando em melhorias significativas no engajamento dos usuários e desempenho superior a modelos de terceiros em casos de uso como aprimoramento de fundo e expansão de aspecto.
Este artigo analisa sistematicamente como as escolhas de ponderação e parametrização no treinamento de modelos de correspondência de fluxo interagem com a dimensionalidade dos dados, arquitetura e tamanho do conjunto de dados, visando oferecer insights práticos para otimizar a precisão de remoção de ruído e a qualidade generativa.
Este artigo demonstra que modelos de fundação visuais-linguísticos contêm representações geométricas precisas em suas características congeladas, acessíveis através de sondas lineares simples, revelando que a baixa precisão na saída textual decorre de um déficit no treinamento do caminho de geração e não de uma limitação na representação visual subjacente.
O artigo apresenta o GreenRFM, um modelo fundamental de radiologia eficiente em recursos que utiliza supervisão "MUST" para alcançar desempenho de ponta com requisitos computacionais drasticamente reduzidos, desafiando a crença de que apenas o aumento de escala é necessário para o sucesso em modelos clínicos.
O artigo apresenta o Match4Annotate, um framework leve que utiliza representações neurais implícitas e correspondência de características para propagar eficientemente anotações esparsas (pontos e máscaras) tanto dentro quanto entre vídeos, superando limitações de métodos existentes e oferecendo uma solução escalável para a anotação em domínios especializados como imagens médicas.
O artigo apresenta o Self-Flow, um paradigma de correspondência de fluxo auto-supervisionado que integra o aprendizado de representações diretamente no quadro generativo por meio de um agendamento de duplo tempo, eliminando a dependência de modelos externos e permitindo uma síntese multi-modal escalável e de alta qualidade.
O artigo apresenta o SG-DOR, um quadro relacional que utiliza redes neurais gráficas para inferir grafos de cena com raciocínio de oclusão condicionado à direção em plantas de pimentão, visando otimizar a colheita robótica em canopas densas.
Este estudo apresenta um sistema de inteligência artificial treinado em mais de 45.000 imagens de ultrassom que não apenas diagnostica fendas orofaciais fetais com precisão superior à de radiologistas júnior e comparável à de especialistas seniores, mas também atua como um copiloto médico para aumentar a sensibilidade diagnóstica e acelerar o desenvolvimento de expertise clínica em condições raras.
Este artigo apresenta o SCAN, um framework universal baseado em AutoEncoder e no princípio do Gargalo de Informação que gera mapas de autoconfiança de alta resolução para fornecer explicações visuais mais fiéis e objetivas, superando as limitações de métodos existentes em diversas arquiteturas de redes neurais.
O artigo apresenta o AV-Unified, um framework unificado que integra diversas tarefas de compreensão de cenas audiovisuais em uma única arquitetura baseada em tokens, utilizando módulos de percepção multiescala e orientação cruzada para capturar associações espaço-temporais e superar a falta de supervisão auditiva na visão.
O artigo apresenta um procedimento simples de calibração espacial para LiDARs difusos que, ao estimar o footprint e a sensibilidade espacial de cada pixel em relação a uma imagem RGB, permite a correspondência explícita entre os modos para alinhamento e fusão cruzada, superando a violação da suposição de raio único inerente a esses sensores.
O artigo apresenta o NEGATE, um método livre de treinamento que trata a negação linguística em modelos de difusão para texto-para-vídeo como uma restrição de viabilidade estruturada, projetando atualizações semânticas em um conjunto convexo derivado da estrutura linguística para garantir a ausência correta de objetos e a coerência semântica sem re-treinamento.
O SurgFormer é um modelo de aprendizado profundo baseado em transformadores multirresolução que permite a simulação em tempo real de deformação de tecidos moles e resecção cirúrgica em malhas volumétricas, superando os custos computacionais dos solvers biomecânicos tradicionais.
Este trabalho demonstra que a redundância em dados multimodais e multivariados para veículos autônomos é um fator mensurável de qualidade de dados, cuja remoção seletiva pode melhorar o desempenho da detecção de objetos, como evidenciado nos experimentos com os conjuntos de dados nuScenes e Argoverse 2.
O artigo apresenta o EgoReasoner, um framework de duas etapas que utiliza templates de pensamento adaptativos e recompensas específicas para tarefas, permitindo que um modelo de 3B parâmetros supere abordagens maiores no benchmark HD-EPIC ao realizar raciocínio 4D egocêntrico complexo.
O artigo apresenta o Penguin-VL, um modelo de linguagem visual compacto que substitui os codificadores de visão pré-treinados por contraste tradicionais por um codificador inicializado a partir de um LLM puramente textual, alcançando desempenho superior em tarefas complexas como compreensão de documentos e raciocínio espacial sem a necessidade de aumentar o tamanho do modelo.
O artigo apresenta o SUREON, um grande conjunto de dados de perguntas e respostas sobre vídeos cirúrgicos extraídos de aulas acadêmicas, e dois modelos de visão e linguagem (SureonVLM e SureonVLM-R1) que demonstram capacidades superiores de raciocínio cirúrgico, superando modelos gerais em tarefas de percepção e previsão de procedimentos.