5475 artigos
O artigo propõe o método S²-Guidance, uma técnica de treinamento livre que utiliza o bloqueio estocástico de blocos para refinar as previsões subótimas de modelos de difusão e superar o desempenho da Guia Livre de Classificador (CFG) na geração de imagens e vídeos.
Este artigo conceitual propõe o Sistema Adaptativo de Detecção de Crateras Planetárias Quantizado (AQ-PCDSys), uma arquitetura que integra redes neurais quantizadas e fusão sensorial adaptativa para viabilizar a detecção de crateras em tempo real em hardware espacial com restrições rigorosas de energia e memória.
O artigo apresenta o ROBUST-MIPS, um novo conjunto de dados que combina pose esquelética e segmentação de instâncias de instrumentos cirúrgicos laparoscópicos, demonstrando que a anotação de pose é uma abordagem eficiente e rica em informações para impulsionar o desenvolvimento de tecnologias de intervenção assistida por computador.
O artigo propõe um framework leve de poda de tokens que filtra regiões de fundo não informativas e refina áreas de texto fragmentado em imagens de documentos, reduzindo significativamente os custos computacionais dos modelos visão-linguagem sem comprometer a precisão na compreensão de documentos.
O QDFlow é um pacote de simulação física de código aberto para dispositivos de pontos quânticos que gera dados sintéticos realistas com rótulos verdadeiros, superando as limitações de coleta experimental e facilitando o desenvolvimento e a validação de modelos de aprendizado de máquina para calibração e operação desses dispositivos.
Este artigo propõe o bloco de Conexão de Salto Dinâmico (DSC), que supera as limitações das conexões convencionais em redes do tipo U para segmentação de imagens médicas ao integrar módulos de Treinamento em Tempo de Teste e de Kernel Multi-Escala Dinâmico para adaptação baseada no conteúdo e integração de contexto global, demonstrando eficácia plug-and-play em diversas arquiteturas.
Este trabalho apresenta o primeiro estudo sobre segmentação de objetos em vídeo baseada em ação sob ruído de rótulo, introduzindo o benchmark ActiSeg-NL, analisando estratégias de aprendizado robusto e propondo o mecanismo PMHM para mitigar ruídos em anotações de texto e máscaras.
Este artigo apresenta um solver local rápido e com certificado de otimalidade global para estimar a forma e a pose de objetos em nível de categoria a partir de imagens RGB-D, utilizando um modelo de forma ativa linear e iteração de campo autoconsistente para alcançar tempos de execução inferiores a um milissegundo.
Este artigo apresenta o Raw-JPEG Adapter, um pipeline de pré-processamento leve e invertível que adapta imagens raw para compressão JPEG padrão, permitindo sua reconstrução precisa com alta fidelidade e uma excelente relação entre taxa de compressão e qualidade.
O artigo apresenta o Vision-Zero, um framework inovador de auto-aprendizagem sem rótulos para Modelos de Linguagem e Visão (VLMs) que utiliza um sistema multiagente de "jogos estratégicos" gerados a partir de imagens arbitrárias e um algoritmo de otimização iterativa para alcançar melhorias sustentáveis de desempenho em diversas tarefas de raciocínio visual, superando métodos que dependem de anotação humana.
Este trabalho apresenta um novo framework de edição de imagem sem treinamento que formula o processo como um problema de controle ótimo de trajetória, utilizando estados adjuntos iterativos para maximizar recompensas específicas enquanto preserva a fidelidade semântica da imagem original.
Este artigo apresenta uma investigação sistemática sobre a geração e edição de visuais estruturados, introduzindo um conjunto de dados de grande escala, um modelo unificado treinado com raciocínio aprimorado e o benchmark StructBench para avaliar a precisão factual, demonstrando que as abordagens atuais ainda carecem de desempenho satisfatório nessa área.
O artigo apresenta o TIGeR, um novo framework que aprimora os Modelos Visão-Linguagem para robótica ao integrá-los com ferramentas computacionais externas para realizar cálculos geométricos precisos, superando as limitações de estimativa qualitativa e alcançando precisão em nível de centímetros em tarefas de manipulação real.
O artigo apresenta o ToMCLIP, um framework que utiliza alinhamento topológico baseado em homologia persistente para corrigir o viés linguístico e melhorar a coerência estrutural e o desempenho de modelos de visão e linguagem multilíngues.
O artigo apresenta o COGS, um framework de síntese de dados que aprimora a capacidade de raciocínio de modelos de linguagem multimídia em domínios com poucas anotações, como gráficos e documentos, decompondo perguntas em fatores primitivos para gerar conjuntos de dados sintéticos que permitem treinamento com recompensas de processo em nível de fator.
Este artigo investiga a dependência da detecção de dados fora de distribuição (OOD) baseada em Mahalanobis em relação à geometria das representações de fundo, identificando a estrutura espectral e a dimensionalidade intrínseca como fatores críticos e propondo uma normalização radial escalada () que ajusta os raios das características para melhorar o desempenho sem alterar suas direções.
O artigo apresenta o Kaleido, um modelo de geração de vídeo aberto que supera as limitações atuais na consistência de múltiplos sujeitos e na fidelidade de referência, graças a um pipeline de construção de dados aprimorado e à introdução do Reference Rotary Positional Encoding (R-RoPE).
Este artigo propõe o Prior-guided Concept Predictor (PCP), um framework de aprendizado supervisionado fraco que utiliza priors de conceitos ao nível da classe para gerar previsões interpretáveis em diagnósticos médicos sem necessidade de anotações explícitas, superando significativamente modelos de linguagem zero-shot e alcançando desempenho competitivo em relação a modelos totalmente supervisionados.
Este artigo propõe um novo quadro unificado que otimiza simultaneamente a geometria da malha e as cores dos vértices por meio de uma renderização diferenciável guiada por Gaussianas, integrando consistência fotométrica e regularização geométrica para gerar reconstruções 3D de alta qualidade prontas para tarefas de edição downstream.
Este artigo propõe o framework "Edge-awareness Semantic Concordance" (ESC), que utiliza dicas de bordas latentes e indicadores de incerteza para fundir de forma resiliente os dados heterogêneos de eventos e RGB, superando as limitações das segmentações semânticas existentes em condições extremas como baixa iluminação e movimento intenso da câmera.