4238 artigos
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.
Este estudo demonstra que o alinhamento semântico via linguagem, através do método "Semantic Anchoring", supera a colapso de embeddings e melhora significativamente a detecção de câncer em modelos de visão computacional ao permitir a reinterpretação semântica de características visuais para generalização entre espécies e tipos de câncer, sem a necessidade de retreinamento completo.
Este artigo propõe o "Dual Tuning", um quadro de trabalho que quantifica os ganhos do raciocínio em tarefas multimodais para estabelecer uma "Fronteira de Pensamento", desafiando a abordagem de "raciocínio para tudo" e orientando estratégias de treinamento mais eficientes.
O artigo apresenta o SkillNet, uma infraestrutura aberta que organiza e avalia habilidades de IA em escala, permitindo que agentes aprendam com experiências passadas e melhorem significativamente seu desempenho em tarefas complexas.
Este artigo apresenta uma abordagem de aprendizado profundo multi-modal que integra redes neurais convolucionais 3D, dados de pose humana e detecção de objetos via mecanismo de atenção cruzada para melhorar o reconhecimento de atividades diárias em ambientes de Vida Assistida Ambientada, visando promover a segurança e autonomia de idosos.
O artigo apresenta o InverseNet, o primeiro benchmark transversal a múltiplas modalidades de imageamento compressivo, demonstrando que a discrepância entre o operador físico e o modelo computacional degrada drasticamente o desempenho dos métodos de aprendizado profundo, enquanto arquiteturas condicionadas ao operador e calibração cega conseguem recuperar a maior parte dessa perda.
Este estudo analisa estratégias de fusão e agrupamento em redes neurais convolucionais para classificação de Zonas Climáticas Locais (LCZ) usando dados de sensoriamento remoto multimodais, demonstrando que uma abordagem híbrida combinada com agrupamento de bandas e fusão de rótulos alcança a maior precisão geral (76,6%) e melhora significativamente a detecção de classes sub-representadas no conjunto de dados So2Sat LCZ42.
Este artigo propõe o "Dual-LoRA Controllable Diffusion", um framework unificado de difusão guiado por centróides que utiliza adaptadores LoRA especializados para realizar simultaneamente a conclusão de estruturas locais e a síntese global em imagens de histopatologia, superando os métodos existentes ao garantir maior fidelidade estrutural e realismo morfológico com baixo custo de anotação.
Este artigo apresenta o Partial Vision Mamba (PVM), um novo componente arquitetural que adapta os princípios de convoluções parciais para o modelo State-Space Mamba, permitindo que redes neurais processem eficientemente dados de visão computacional com regiões inválidas ou faltantes em tarefas como completamento de profundidade, inpainting de imagens e classificação.
O artigo apresenta o PinPoint, um novo benchmark abrangente para Recuperação de Imagens Compostas (CIR) que inclui múltiplas respostas corretas, negativos explícitos e testes de robustez, revelando limitações significativas nos métodos atuais e propondo uma solução de reranking baseada em MLLM para superá-las.
Este trabalho apresenta o modelo SGR3, uma estrutura sem treinamento que utiliza modelos de linguagem grandes multimodais com recuperação aumentada para gerar grafos de cena 3D sem reconstrução explícita, alcançando desempenho competitivo ao integrar informações recuperadas diretamente no processo de geração de tokens.
O Spinverse é um método de reconstrução de microestrutura a partir de ressonância magnética de difusão que utiliza um simulador de Bloch-Torrey totalmente diferenciável para inferir permeabilidades em faces de uma malha tetraédrica, permitindo a emergência de interfaces microestruturais sem alterar a conectividade da malha.
Este estudo demonstra que uma abordagem multimodal, combinando recursos visuais e textuais com o modelo GPT-4.1-nano, supera métodos unimodais na previsão da dificuldade de itens de testes de alfabetização em visualização de dados para adultos dos EUA, evidenciando o potencial dos modelos de linguagem para análise psicométrica e desenvolvimento automatizado de itens.
Este trabalho propõe o método sFRC (Fourier Ring Correlation em pequenas regiões), que analisa a correlação entre imagens restauradas por aprendizado profundo e suas referências em pequenos patches para detectar e quantificar alucinações em tarefas de restauração de imagens médicas, como super-resolução e reconstrução de CT e MRI.
O artigo propõe o PulseFocus, um método de inferência sem treinamento que mitiga os padrões de atenção difusa e o viés posicional em modelos de linguagem e visão (VLMs) de raciocínio, melhorando significativamente o desempenho em tarefas de compreensão de múltiplas imagens ao estruturar o raciocínio em blocos de planejamento e foco com gateamento de atenção suave.
Este estudo apresenta uma avaliação sistemática de métodos de compressão de redes neurais — especificamente poda, quantização e destilação de conhecimento — para classificação de imagens hiperespectrais, demonstrando que é possível reduzir significativamente o tamanho e o custo computacional dos modelos mantendo um desempenho competitivo em plataformas de recursos limitados.
Este estudo avalia a viabilidade de modelos de linguagem multimodal para detecção de anomalias em vídeo em cenários reais, revelando que, embora instruções específicas possam melhorar significativamente o desempenho, os modelos apresentam um viés conservador que limita severamente a recall, tornando-os ainda inadequados para aplicações de vigilância sem ajustes adicionais.
O artigo propõe o FOZO, um método inovador de otimização de prompts sem retropropagação para adaptação em tempo de teste que, ao utilizar estimativas de gradiente de ordem zero e estatísticas de recursos intermediários, supera métodos baseados em gradiente e técnicas existentes em cenários com recursos limitados e modelos quantizados.
O artigo apresenta o Real-IISR, um novo framework autoregressivo unificado e o conjunto de dados FLIR-IISR para super-resolução de imagens infravermelhas em cenários reais, projetados para superar as limitações de simulações anteriores ao reconstruir estruturas térmicas e de fundo com consistência física através de módulos de orientação térmico-estrutural e correção de viés de degradação.
Este comentário de panorama avalia a família GPT-5 como raciocinador clínico multimodal, demonstrando avanços significativos na síntese de dados textuais e de imagem que superam o GPT-4o, mas revelando que, embora represente um progresso em direção ao raciocínio integrado, os modelos generalistas ainda não substituem sistemas especializados em tarefas críticas de percepção como neurorradiologia e mamografia.