5280 artigos
O artigo apresenta o Grasp Any Region (GAR), um modelo de linguagem multimodal que supera as limitações anteriores ao integrar contexto global e interações entre múltiplas regiões para permitir um entendimento visual preciso e raciocínio composicional avançado, validado pelo novo benchmark GAR-Bench e demonstrando capacidades superiores tanto em imagens quanto em vídeos.
O artigo apresenta o FLoC, um método de compressão de tokens visuais livre de treinamento e agnóstico a modelos, baseado na função de localização de instalações e no algoritmo ganancioso preguiçoso, que seleciona eficientemente um subconjunto representativo de tokens para melhorar a compreensão de vídeos longos em Modelos Multimodais de Grande Escala.
O MotionStream é um sistema de geração de vídeo em tempo real que, ao combinar controle de movimento interativo com uma arquitetura de atenção causal e técnicas de destilação, permite a criação de vídeos de duração ilimitada com latência subsegundo e alta qualidade em uma única GPU.
O artigo propõe o SASG-DA, um método de aumento de dados baseado em difusão que utiliza representações semânticas orientadas a tarefas e amostragem esparsa para gerar amostras fiéis e diversas, melhorando significativamente o reconhecimento de gestos mioelétricos e a generalização em cenários com dados limitados.
O artigo apresenta o DeiTFake, um modelo de detecção de deepfakes baseado em DeiT que utiliza uma estratégia de treinamento progressivo em duas etapas com aumento de complexidade de dados, alcançando 99,22% de precisão e superando os principais benchmarks no conjunto de dados OpenForensics.
Este artigo propõe um método totalmente automático para gerar dados rotulados e um pipeline que extrai e retifica imagens de ultrassom de fotografias de monitores, eliminando a dependência do formato DICOM e permitindo o treinamento de modelos com fidelidade visual suficiente para classificar vistas cardíacas com precisão balanceada de 0,79.
O artigo apresenta o DAP, um planejador autoregressivo de tokens discretos que, com um orçamento compacto de 160M de parâmetros, alcança desempenho de última geração ao prever conjuntamente semânticas BEV e trajetórias do veículo, utilizando também um ajuste fino baseado em aprendizado por reforço para otimizar a tomada de decisão no benchmark NAVSIM.
O artigo propõe o framework CCSD, uma nova abordagem de auto-distilação composicional multimodal que utiliza arquiteturas codificador-decodificador compartilhadas e específicas, combinadas com mecanismos hierárquicos e progressivos de transferência de conhecimento, para alcançar segmentação robusta e de alto desempenho de tumores cerebrais em cenários clínicos onde modalidades de ressonância magnética estão ausentes.
O artigo apresenta o FlashCache, um novo framework de compressão de cache KV para modelos de linguagem multimodal que utiliza uma abordagem guiada por domínio de frequência para identificar e preservar outliers críticos, resultando em uma aceleração de decodificação de até 1,69 vezes e uma redução de 80% no uso de memória sem comprometer o desempenho.
O artigo apresenta o MambaTAD, um modelo inovador de detecção de ações temporais que integra modelos de espaço de estados estruturados com novos componentes, como o módulo DMBSS e uma cabeça de fusão global, para superar desafios de contexto temporal e eficiência computacional em vídeos não cortados.
O artigo propõe o ObAct, um novo framework de aprendizado por imitação com visão ativa que utiliza um braço robótico como observador para construir uma representação 3DGS e encontrar a melhor posição de câmera, permitindo que o braço executor atue com observações mais claras e resultando em políticas significativamente mais robustas do que em configurações com câmeras estáticas.
O artigo apresenta o STAvatar, um método inovador para reconstrução de avatares 3D de cabeça a partir de vídeos monoculares que supera as limitações de rigidez e oclusão das abordagens existentes ao combinar um mecanismo de ligação suave adaptativa em UV com uma estratégia de controle de densidade temporal baseada em erros perceptivos fundidos, resultando em detalhes finos e alta fidelidade.
O artigo apresenta o RadarVLM, um modelo de visão e linguagem que unifica a compreensão de cenas de radar através de uma supervisão espacial estruturada e do objetivo SG-CLIP, alcançando melhorias significativas na precisão de localização e segmentação de veículos em comparação com abordagens tradicionais.
O artigo apresenta o PowerCLIP, um novo framework de pré-treinamento contrastivo que supera as limitações de alinhamento composicional ao otimizar exaustivamente as correspondências entre regiões de imagem e frases por meio de alinhamento de conjunto de potências, utilizando agregadores não lineares eficientes para reduzir a complexidade computacional de exponencial para linear e alcançar desempenho superior em tarefas de classificação e recuperação zero-shot.
O artigo apresenta o DPAC, um método de controle adversarial para amostragem de difusão que preserva a distribuição ao projetar gradientes adversariais no espaço tangente definido pela geometria do escore, minimizando a divergência KL do caminho e melhorando a fidelidade perceptual (FID) sem comprometer a taxa de sucesso do ataque.
Este artigo apresenta uma abordagem de ajuste fino eficiente e justa para modelos de visão e linguagem no diagnóstico de glaucoma, introduzindo técnicas como FR-LoRA, GR-LoRA e Hybrid-LoRA que reduzem as disparidades de precisão entre grupos demográficos em 69% enquanto mantêm alta acurácia geral com apenas 0,24% de parâmetros treináveis.
O artigo apresenta o UniComp, um novo framework de compressão de vídeo baseado na singularidade da informação que, ao minimizar a entropia condicional através de fusão de grupos de quadros, alocação de tokens e compressão espacial dinâmica, supera os métodos existentes na preservação de fidelidade visual sob orçamentos computacionais restritos.
O artigo apresenta o NeuralRemaster, um método de difusão que preserva as fases dos dados de entrada enquanto randomiza suas magnitudes, permitindo a geração de imagens e vídeos estruturalmente alinhados e geometricamente consistentes para tarefas como re-renderização e transferência sim-to-real, sem custos adicionais de inferência ou alterações na arquitetura do modelo.
Este artigo apresenta o TAP, um novo framework baseado em Grandes Modelos de Linguagem (LLMs) e estratégias evolutivas que descobre automaticamente e sem treinamento proxies superiores para quantização de precisão mista, eliminando a dependência de otimização diferenciada custosa ou de conhecimento manual de especialistas.
Este trabalho apresenta o conjunto de dados EgoCampus e o modelo EgoCampusNet, que utilizam óculos com rastreamento ocular para prever a atenção visual de pedestres em ambientes externos, preenchendo uma lacuna em estudos anteriores focados principalmente em cenários internos.