4763 artigos
Este trabalho propõe o uso de Grafos de Precedência de Teoremas e restrições topológicas explícitas para superar o problema de "Deriva Estrutural" na previsão de teoremas via aprendizado in-context, alcançando desempenho competitivo com modelos supervisionados sem necessidade de otimização baseada em gradientes.
Este artigo apresenta um pipeline de vídeo monoculário baseado em DreamPose3D que extrai métricas biomecânicas precisas de transmissões esportivas para permitir a triagem escalável de risco de lesões em arremessadores de beisebol, alcançando desempenho comparável a sistemas de captura de movimento profissionais.
O artigo apresenta o SURE, um novo framework de correspondência de características semi-densa que aprimora a confiabilidade em cenários desafiadores ao prever simultaneamente correspondências e sua incerteza, superando os modelos existentes em precisão e eficiência.
Este artigo apresenta o Prompt-Driven Noise Generation (PNG), um novo framework baseado em difusão que sintetiza imagens ruidosas realistas em espaço sRGB aprendendo representações de ruído a partir de prompts de alta dimensão, eliminando a dependência de metadados de câmera e melhorando a generalização para a remoção de ruído em cenários do mundo real.
Este estudo apresenta um modelo interpretável que alcança 80,4% de precisão na antecipação de oito tipos de arremessos de beisebol a partir de sequências de pose 3D em broadcast, revelando que a mecânica do tronco e do pulso são os principais preditores e estabelecendo um limite empírico de aproximadamente 80% para a distinção de variantes baseadas apenas no movimento corporal.
Este trabalho propõe um novo framework de duas etapas para a geração automática de relatórios de tomografia computadorizada, que utiliza aprendizado contrastivo imagem-texto orientado por observações estruturais e uma fila negativa dinâmica para capturar correspondências semânticas precisas entre estruturas anatômicas e descrições clínicas, alcançando desempenho superior ao estado da arte em eficiência clínica.
O artigo apresenta o DeformTrace, um modelo de espaço de estados deformável com tokens de retransmissão que supera as limitações atuais na localização temporal de falsificações ao oferecer maior precisão, sensibilidade a anomalias esparsas e eficiência computacional.
Este trabalho propõe o FedMEPD, um novo framework de aprendizado federado que utiliza codificadores específicos por modalidade e um decodificador de fusão parcialmente personalizado, permitindo que clientes com modalidades incompletas compensem a perda de informação via atenção cruzada e obtenham modelos adaptados às suas características locais, superando assim os desafios de heterogeneidade intermodal e personalização em segmentação de tumores cerebrais.
O artigo propõe o FedAFD, um quadro unificado de aprendizado federado multimodal que utiliza alinhamento adversarial, fusão adaptativa e destilação guiada por similaridade para superar desafios de heterogeneidade de dados e modelos, melhorando o desempenho tanto no cliente quanto no servidor.
Este trabalho apresenta o "Locality-Attending Vision Transformer" (LocAtViT), uma abordagem simples e eficaz que melhora o desempenho de segmentação de transformers de visão sem sacrificar a classificação, ao modular a atenção global com um kernel Gaussiano aprendível para priorizar detalhes espaciais locais.
O artigo apresenta o FC-VFI, um método de interpolação de quadros de vídeo que utiliza modelagem temporal em sequências latentes e linhas de correspondência semântica para gerar vídeos de alta fidelidade e consistência temporal, permitindo a conversão de 30 FPS para 120 e 240 FPS em resolução 2560×1440.
O artigo propõe o AdaIAT, um método que aumenta adaptativamente a atenção aos tokens de texto gerado com base em padrões de atenção observados, reduzindo significativamente as alucinações em Modelos de Linguagem e Visão de Grande Escala (LVLMs) sem comprometer a coerência linguística ou causar descrições repetitivas.
Este trabalho propõe um método de otimização de textura adversarial 3D consistente com a viewpoint, utilizando renderização diferenciável e estratégias de aprendizado como EOT e um currículo de refinamento, para explorar e explorar vulnerabilidades em políticas visuomotoras de robôs sob condições de viewpoint dinâmico, superando as limitações dos ataques de patches 2D tradicionais.
Este artigo apresenta a criação de um conjunto de dados específico para detecção e rastreamento de pessoas por LiDAR em visão aérea de guindastes industriais, avaliando e adaptando detectores 3D e algoritmos de rastreamento para superar o deslocamento de domínio e demonstrar a viabilidade em tempo real dessa aplicação.
Este artigo propõe um novo framework de aprendizado fraco supervisionado baseado em protótipos para o grau de câncer de próstata, que combina características prototípicas robustas, uma função de perda específica e um mecanismo de poda dinâmica para oferecer um sistema automatizado interpretável e confiável que imita o raciocínio dos patologistas.
O artigo apresenta o TimeWarp, um benchmark que avalia a robustez de agentes web diante de mudanças no design e layout da internet, e propõe o algoritmo TimeTraj, que utiliza destilação de planos em múltiplas versões de interface para superar as limitações da clonagem de comportamento tradicional e melhorar significativamente o desempenho de modelos como Qwen-3 e Llama-3.1.
Os autores propõem um framework de pré-treinamento com tarefas sensíveis à localização para aprimorar a capacidade de encoders visuais em detectar variações sutis entre imagens médicas, alcançando desempenho superior em respostas a perguntas visuais sobre diferenças em radiografias de tórax.
O artigo apresenta o VisionPangu, um assistente multimodal compacto de 1,7 bilhão de parâmetros que, ao combinar um codificador de visão derivado do InternVL com o modelo de linguagem OpenPangu e utilizar descrições humanas densas do conjunto de dados DOCCI, alcança desempenho competitivo na geração de legendas detalhadas e semanticamente coerentes sem depender de escalas de modelo agressivas.
Este artigo apresenta um novo modelo de câmera que estende a projeção ortográfica com um parâmetro de contração para capturar distorções de perspectiva em imagens de rostos em close-up, permitindo o ajuste fino de modelos 3DMM existentes para gravações com câmeras montadas na cabeça.
O artigo apresenta o BiEvLight, um framework de aprendizado em dois níveis que otimiza colaborativamente a remoção de ruído em eventos e o aprimoramento de imagens em baixa luminosidade, tratando a denoising como um problema de otimização guiado pela tarefa de aprimoramento para superar o acoplamento de ruído e superar os métodos mais avançados.