4196 artigos
O artigo apresenta o RobustVisRAG, um framework de geração aumentada por recuperação baseada em visão que utiliza um guia causal para separar efetivamente semântica de degradações visuais, melhorando significativamente o desempenho em documentos distorcidos sem comprometer a precisão em entradas limpas.
O artigo apresenta o LFG, um modelo de pré-treinamento autônomo sem rótulos que utiliza vídeos de direção não estruturados da internet e um mecanismo de ensino multi-modal para aprender representações unificadas de geometria e movimento, superando métodos existentes em tarefas de planejamento e previsão sem a necessidade de dados anotados ou LiDAR.
O artigo apresenta o Diffusion Probe, um framework eficiente e independente de modelo que prevê a qualidade final de imagens geradas por difusão texto-para-imagem analisando as distribuições de atenção cruzada em estágios iniciais, permitindo decisões antecipadas que reduzem custos computacionais e melhoram a qualidade do resultado.
O artigo apresenta o DiffusionHarmonizer, um framework de aprimoramento generativo online que utiliza um aprimorador condicionado temporalmente derivado de modelos de difusão para transformar renderizações de reconstruções neurais imperfeitas em saídas fotorealistas e temporalmente consistentes, corrigindo artefatos e harmonizando a iluminação para simulações robóticas escaláveis.
O UFO-4D é um framework unificado e feedforward que reconstrói representações 4D densas e explícitas a partir de apenas duas imagens não posicionadas, estimando simultaneamente geometria 3D, movimento e pose da câmera com alta precisão ao aproveitar a renderização diferenciável de múltiplos sinais a partir de um único conjunto de Gaussianas 3D dinâmicas.
O artigo apresenta o Dr. Seg, um framework simples e plug-and-play baseado em GRPO que supera as limitações da transferência direta de paradigmas de raciocínio para percepção visual em Modelos de Linguagem Visuais, introduzindo mecanismos de confirmação e recompensas ranqueadas por distribuição para melhorar o desempenho em tarefas complexas como a segmentação.
O artigo propõe o AlignVAR, um novo framework de super-resolução de imagem baseado em autoregressão visual que supera desafios de consistência global e acúmulo de erros através de componentes inovadores de coerência espacial e restrições hierárquicas, oferecendo resultados de alta fidelidade com inferência significativamente mais rápida e menor complexidade de parâmetros em comparação com métodos baseados em difusão.
O artigo apresenta o SOLACE, um framework de pós-treinamento para geração de texto-imagem que utiliza recompensas intrínsecas baseadas na autoconfiança do modelo para otimização não supervisionada, resultando em melhorias na geração composicional, renderização de texto e alinhamento, além de mitigar a exploração de recompensas quando combinado com sinais externos.
O artigo apresenta o Dr. Occ, um framework de previsão de ocupação 3D que utiliza um transformador guiado por profundidade para alinhamento geométrico preciso e um transformador de especialistas guiado por região para lidar com desequilíbrios espaciais, alcançando desempenho superior no benchmark Occ3D-nuScenes.
O artigo apresenta o FreeAct, um novo framework de quantização para Modelos de Linguagem de Grande Escala que supera as limitações das transformações estáticas ao utilizar matrizes de transformação específicas para cada tipo de token, adaptando-se dinamicamente às disparidades nas ativações e melhorando significativamente o desempenho em modelos multimodais e de difusão.
O artigo apresenta o Kiwi-Edit, uma nova arquitetura unificada e um pipeline escalável de geração de dados que, ao criar o conjunto de dados RefVIE, supera as limitações atuais na edição de vídeo baseada em instruções, permitindo um controle visual preciso e fiel através da combinação de instruções textuais e referências visuais.
O artigo apresenta o Track4World, um modelo feedforward inovador que realiza o rastreamento 3D denso e eficiente de todos os pixels em um sistema de coordenadas centrado no mundo, superando métodos anteriores na estimativa de fluxo e reconstrução 4D a partir de vídeos monoculares.
O artigo apresenta o PVT-GDLA, um decodificador baseado em Transformer que utiliza Atenção Linear Diferencial Portada (GDLA) para alcançar segmentação médica de alta fidelidade com complexidade linear, superando as limitações de custo computacional e diluição de atenção de modelos anteriores ao preservar bordas anatômicas precisas e dependências de longo alcance de forma eficiente.
O artigo apresenta o MultiShadow, um método baseado em modelos de difusão que utiliza caminhos de imagem e texto para gerar sombras fisicamente plausíveis e geometricamente consistentes para múltiplos objetos inseridos em uma cena, superando as limitações das abordagens existentes focadas em objetos únicos.
O artigo apresenta o IoUCert, um novo framework de verificação formal que supera as limitações existentes ao garantir a robustez de detectores de objetos baseados em âncoras, como SSD e YOLO, através de uma transformação de coordenadas que permite o cálculo de limites ótimos para a métrica de Interseção sobre União (IoU) sem degradação de precisão.
O artigo propõe um framework de tradução não pareada de MRI de ultra-baixo campo para alto campo, baseado em uma Ponte Neural de Schrödinger aprimorada com distribuição guiada por difusão e regularização de preservação anatômica, que melhora o realismo e a fidelidade estrutural das imagens cerebrais.
O artigo apresenta o TumorFlow, um framework generativo guiado por princípios biofísicos que sintetiza sequências longitudinais realistas de ressonância magnética cerebral, permitindo a visualização controlada e interpretável da progressão do glioblastoma e a geração de dados sintéticos para apoiar o planejamento de tratamento personalizado.
O artigo apresenta o NOVA3R, uma abordagem inovadora que utiliza um mecanismo de tokens de cena e um decodificador baseado em difusão para realizar reconstrução 3D amodal completa e fisicamente plausível a partir de imagens não posicionadas, superando as limitações de métodos alinhados a pixels ao recuperar tanto pontos visíveis quanto invisíveis.
Este artigo propõe um framework unificado de detecção conjunta para lacunas e espaços perivascular dilatados (EPVS) que, ao empregar atenção cruzada inicializada com zero e estratégias de perda mista para superar a interferência de características e o desequilíbrio de classes, alcança desempenho superior ao estado da arte na detecção de lacunas e demonstra robustez em grandes coortes populacionais.
O artigo apresenta o "Gaussian Wardrobe", uma nova estrutura que digitaliza avatares 3D composicionais a partir de vídeos multiview, separando o corpo de camadas de roupas neurais independentes da forma para permitir a síntese realista em novas poses e a transferência versátil de vestuário entre diferentes indivíduos.