4364 artigos
O artigo apresenta o Pailitao-VL, um sistema de busca multimodal industrial em tempo real que supera limitações de granularidade e ruído ao adotar uma nova abordagem de reconhecimento de ID absoluto para embeddings e uma política de reclassificação comparativa e calibrada, resultando em desempenho superior e impacto comercial significativo na plataforma de comércio eletrônico do Alibaba.
O artigo apresenta o DeltaGateNet, um novo framework que melhora o reconhecimento de fadiga na direção baseado em EEG ao modelar explicitamente a dinâmica temporal bidirecional e assimétrica dos sinais neurais, alcançando desempenho superior e generalizável em conjuntos de dados públicos.
O artigo apresenta o EA-Swin, um modelo baseado no Swin Transformer que detecta vídeos gerados por IA de forma independente de embeddings, alcançando alta precisão e generalização em um novo conjunto de dados abrangente, superando significativamente os métodos existentes.
O CityGuard é um framework baseado em transformadores que utiliza aprendizado de métricas adaptativo, atenção condicional espacial e mapas de incorporação com privacidade diferencial para permitir a busca de identidade privada e resiliente a vieses em câmeras urbanas distribuídas, garantindo precisão na reidentificação sem compartilhar imagens brutas.
O artigo apresenta o CARE, um modelo fundamental para patologia computacional que utiliza uma estratégia de pré-treinamento em duas etapas com orientação molecular para segmentar automaticamente imagens de lâminas inteiras em regiões adaptativas e morfologicamente relevantes, alcançando desempenho superior em diversas tarefas com apenas uma fração dos dados de treinamento utilizados por modelos existentes.
O artigo apresenta o MasqLoRA, um novo framework de ataque que explora a flexibilidade dos adaptadores LoRA em modelos de difusão texto-para-imagem para injetar backdoors ocultos que ativam comportamentos maliciosos sob gatilhos textuais específicos, mantendo-se indetectável em condições normais e revelando uma vulnerabilidade crítica na cadeia de suprimentos de IA.
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.