5518 artigos
O relatório técnico apresenta o Phi-4-reasoning-vision-15B, um modelo multimodal de raciocínio compacto e de pesos abertos que, graças a escolhas arquitetônicas cuidadosas e curadoria rigorosa de dados, alcança desempenho competitivo em tarefas visuais e linguísticas, com destaque para raciocínio científico, matemático e compreensão de interfaces, utilizando menos recursos computacionais.
O artigo apresenta o GeoSeg, um framework zero-shot e sem treinamento que supera os desafios de segmentação em imagens de sensoriamento remoto ao combinar o raciocínio de MLLMs com refinamento de coordenadas e um mecanismo de prompt duplo, validado pelo novo benchmark GeoSeg-Bench.
O artigo apresenta o RIVER Bench, um novo benchmark e método de melhoria projetados para avaliar e aprimorar a capacidade de modelos de linguagem multimodal de compreender vídeos em tempo real através de interações dinâmicas que envolvem memória retrospectiva, percepção ao vivo e antecipação proativa.
Este trabalho apresenta um framework de diagnóstico que utiliza a pareidolia facial para revelar como diferentes regimes de representação em modelos de visão (como VLMs, classificadores e detectores) lidam com ambiguidade visual, demonstrando que a interpretação de padrões ambíguos é governada mais pelas escolhas de representação do que por limiares de pontuação, com os VLMs exibindo uma superativação semântica sistemática enquanto os detectores mantêm viés reduzido através de priores conservadores.
O artigo apresenta o SAFE, um framework de duas etapas que utiliza aprendizado por contraste e inferência de embeddings para expandir automaticamente anotações esparsas de lesões em retinopatia diabética, melhorando significativamente a precisão da detecção e o desempenho de modelos de aprendizado profundo.
O artigo apresenta o DPAD, um método que melhora a segmentação por raciocínio ao introduzir uma percepção discriminativa via descrições ancoradas, forçando o modelo a focar nos atributos únicos do alvo, o que resulta em cadeias de raciocínio mais curtas e precisas.
Este artigo propõe uma nova abordagem para a geração de relatórios radiológicos usando aprendizado por reforço, que combina uma estratégia de amostragem de dados baseada em diversidade diagnóstica e uma otimização de política ponderada por tokens diagnósticos (DiTPO) para alcançar desempenho superior com menos dados e maior precisão clínica.
O artigo propõe o Difusão Direcional Volumétrica (VDD), um modelo que supera as limitações de incerteza e de integridade estrutural em segmentações médicas ambíguas ao ancorar a geração estocástica em um consenso determinístico, permitindo a quantificação precisa de variações anatômicas sem comprometer a coerência topológica.
O artigo propõe o método DQE-CIR para aprimorar a recuperação de imagens compostas ao gerar representações de consulta mais discriminativas, utilizando pesos de atributos aprendíveis para alinhar características visuais com o texto e uma amostragem de negativos relativa ao alvo que evita a supressão de relevância e a confusão semântica.
Este trabalho apresenta um novo conjunto de dados curado, um método inovador de verificação de verdade baseada em "footprints" de imagem e um benchmark de reconhecimento visual de locais para superar as lacunas na localização visual de longo prazo em ambientes bentônicos dinâmicos.
Este trabalho propõe o MELT, um ataque de backdoor leve para o modelo de difusão Stable Diffusion 3 que, ao ajustar menos de 0,2% dos parâmetros dos seus múltiplos codificadores de texto, demonstra vulnerabilidades críticas anteriormente negligenciadas em configurações multi-codificador.
Este estudo demonstra que, para a classificação celular em imagens histopatológicas de patches extremamente pequenos, arquiteturas específicas treinadas do zero superam os modelos fundacionais em precisão e eficiência, uma vez que estes últimos saturam com conjuntos de dados moderados e não oferecem vantagens significativas em robustez.
O artigo apresenta o EgoPoseFormer v2, um método baseado em transformers e um sistema de auto-rotulagem que superam os desafios de estimativa de movimento humano em primeira pessoa para AR/VR, alcançando maior precisão e consistência temporal com baixa latência ao aproveitar grandes conjuntos de dados não rotulados.
O artigo propõe um framework de visão e linguagem baseado em CLIP para fenotipagem de plantas multi-visão que, ao agregar representações invariantes a rotações e condicionar características visuais em priores textuais de nível de visão, alcança avanços significativos na previsão robusta de idade e contagem de folhas, reduzindo substancialmente o erro médio absoluto em comparação com métodos existentes.
Este artigo propõe um curador de quadros eficiente para câmeras egocêntricas que utiliza a estabilidade do olhar e a resposta pupilar para selecionar automaticamente apenas os quadros mais relevantes, alcançando desempenho de aprendizado comparável ao do fluxo completo com apenas 10% dos dados.
Este artigo apresenta o HPENet, uma arquitetura de redes MLP para processamento de nuvens de pontos que combina codificação posicional de alta dimensão e MLPs não locais dentro de uma visão de abstração e refinamento, alcançando um equilíbrio superior entre eficiência computacional e desempenho em diversas tarefas.
Este estudo propõe um framework de aprendizado de representações desencaixadas para demonstrar que a previsibilidade demográfica em ressonâncias magnéticas cerebrais deriva principalmente de variações anatômicas, enquanto as diferenças de contraste são mais fracas e específicas do conjunto de dados, indicando que estratégias de mitigação de viés devem abordar explicitamente essas duas origens distintas para garantir robustez.
O artigo apresenta o Any2Any, um framework unificado de difusão latente que permite a tradução arbitrária entre múltiplas modalidades de sensoriamento remoto através de uma representação latente compartilhada, superando as limitações de complexidade e generalização dos métodos existentes e sendo validado pelo novo conjunto de dados RST-1M.
O artigo apresenta o TextBoost, um método que melhora a fidelidade de texto em imagens comprimidas em taxas de bits ultrabaixas ao utilizar informações textuais auxiliares extraídas por OCR para guiar a reconstrução no decodificador, alcançando significativamente maior precisão no reconhecimento de texto sem comprometer a qualidade visual global.
Este artigo apresenta um novo estado da arte para o reconhecimento de ações em cenários abertos com poucos exemplos (FSOS-AR), propondo uma arquitetura baseada em um Discriminador de Resíduo de Características (FR-Disc) que melhora significativamente a rejeição de classes desconhecidas em dados de vídeo sem comprometer a precisão em cenários fechados.