4146 artigos
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.
O artigo apresenta o SCOPE, um framework plug-and-play que melhora a segmentação 3D incremental de poucos exemplos ao enriquecer protótipos de novas classes com informações extraídas de regiões de fundo não rotuladas, alcançando desempenho superior e reduzindo o esquecimento catastrófico.
O artigo apresenta o BEVLM, um framework que integra representações de Visão de Pássaro (BEV) com Modelos de Linguagem de Grande Escala (LLMs) para superar limitações de consistência espacial e riqueza semântica, resultando em melhorias significativas de 46% na precisão de raciocínio em cenas de direção e de 29% no desempenho de condução autônoma em cenários críticos de segurança.
O artigo apresenta o Omni-Diffusion, o primeiro modelo de linguagem multimodal "qualquer-para-qualquer" que unifica a compreensão e a geração de texto, fala e imagem utilizando exclusivamente um modelo de difusão discreta baseado em máscaras, superando ou equiparando-se aos sistemas existentes em diversos benchmarks.
Este artigo demonstra que o desempenho aparentemente inferior dos Modelos de Linguagem Multimodal (MLLMs) em tarefas de classificação é majoritariamente um artefato de protocolos de avaliação falhos e de ruídos nos dados de referência, os quais, quando corrigidos, revelam que esses modelos podem superar ou igualar modelos supervisionados e ainda auxiliar significativamente na curadoria de grandes conjuntos de dados.
Este artigo apresenta o modelo generativo EIGen, que utiliza redes neurais preditivas para criar ilusões de movimento que enganam humanos, apoiando a hipótese de que tais ilusões resultam da percepção das previsões do cérebro em vez da entrada visual bruta e destacando o valor de estudar falhas motivadas em sistemas artificiais.
O artigo apresenta o FEP-Nav, um quadro inspirado biologicamente que utiliza o Princípio da Energia Livre para permitir a adaptação perceptiva em tempo real e melhorar a navegação robótica sob condições sensoriais ruidosas, minimizando a energia variacional sem necessidade de atualizações baseadas em gradiente.
O artigo apresenta o InstructHumans, um novo quadro de trabalho para edição de texturas de humanos 3D animáveis baseada em instruções, que supera os métodos existentes ao introduzir uma versão modificada da Amostragem de Distilação de Pontuação (SDS-E) para garantir que as edições textuais sejam fiéis ao comando sem comprometer a consistência com o avatar original.
O EasyAnimate é um framework de geração de vídeo de alto desempenho que utiliza Transformers de Difusão com Atenção Híbrida em Janelas e Retropropagação de Recompensa para superar as limitações de velocidade e qualidade dos modelos existentes, alcançando resultados de última geração em benchmarks e avaliações humanas.
Este artigo apresenta um método inovador que reconstrói diretamente avatares humanos 3D nítidos a partir de vídeos borrados, utilizando um modelo físico de formação de desfoque e um modelo de movimento humano para otimizar conjuntamente a representação do avatar e os parâmetros de movimento.
O artigo apresenta o TABE, um pipeline inovador para segmentação de objetos em vídeo que permite a conclusão amodal zero-shot (invisível) utilizando um único máscara de consulta e um modelo de difusão de vídeo pré-treinado, sem necessidade de retreinamento para classes específicas.
Este trabalho propõe um framework de poda estrutural agnóstico ao modelo que utiliza máscaras diferenciáveis e um objetivo de otimização de ponta a ponta com checkpointing de gradiente para reduzir em até 20% os parâmetros de modelos de difusão sem necessidade de retreinamento, mantendo a qualidade da geração.
Este artigo propõe o FGA, um novo quadro de adaptação guiado pela planicidade que unifica o ajuste de prompts com sensibilidade à nitidez no treinamento e a seleção de amostras no teste para melhorar a adaptação de modelos visão-linguagem a mudanças de distribuição, superando métodos existentes com menor custo computacional.
Este artigo apresenta um quadro de manipulação consciente de dinâmica 3D que integra modelagem de mundo 3D e aprendizado de políticas por meio de tarefas de aprendizado auto-supervisionado, dotando os modelos de "previsão 3D" para melhorar significativamente o desempenho em tarefas com movimento em profundidade sem comprometer a velocidade de inferência.
O artigo apresenta o MedFuncta, uma estrutura unificada que utiliza meta-aprendizado e uma representação latente comum para treinar campos neurais escaláveis em grandes conjuntos de dados médicos contínuos, superando as limitações de escalabilidade e resolução das representações discretas tradicionais.
O artigo apresenta o RapidPoseTriangulation, um novo algoritmo que realiza a triangulação de pose corporal completa de múltiplas pessoas em múltiplas câmeras em milissegundos, oferecendo alta velocidade, generalização robusta e acesso público ao código.
O artigo apresenta o "Noise2Ghost", um novo método de reconstrução de imagem fantasma baseado em aprendizado profundo auto-supervisionado que elimina a necessidade de dados de referência limpos e oferece redução de ruído superior, permitindo aplicações de alta qualidade em cenários de baixa luminosidade, como imageamento de raios-X de amostras biológicas e baterias.
O artigo propõe o LMPOcc, um framework plug-and-play que aprimora a previsão de ocupação 3D local ao integrar e atualizar continuamente mapas de ocupação globais como memórias de longo prazo, resultando em desempenho superior em benchmarks e na construção de mapas 3D escaláveis para ambientes externos.
O artigo apresenta o PhysLLM, um framework inovador que integra Modelos de Linguagem de Grande Escala (LLMs) com componentes específicos de fotopletismografia remota (rPPG) através de estratégias como a Orientação por Protótipos de Texto e o Algoritmo de Estacionariedade de Duplo Domínio, superando desafios de iluminação e movimento para alcançar medições fisiológicas não invasivas com precisão e robustez superiores.