5525 artigos
O artigo apresenta o Crab+, um modelo unificado e escalável de compreensão de cenas áudio-visuais que supera o problema de transferência negativa através da criação do dataset AV-UIE v2 e da proposta do mecanismo I-LoRA, permitindo uma cooperação explícita entre tarefas heterogêneas e alcançando desempenho superior em 88% dos casos em comparação com abordagens de tarefa única.
O artigo apresenta um framework de regulação de atenção em tempo de inferência que utiliza máscaras anatômicas e correções latentes orientadas por patologia para gerar raios-X torácicos contrafactuais com consistência estrutural aprimorada e localização precisa de lesões.
Este artigo propõe o HBRB-BoW, um algoritmo de treinamento de vocabulário hierárquico que integra fluxos de valores reais durante o agrupamento para preservar a fidelidade dos descritores e mitigar a perda de precisão inerente aos métodos binários tradicionais, resultando em um vocabulário visual mais discriminativo que melhora o fechamento de laços e a relocalização no ORB-SLAM.
Este artigo apresenta o modelo LISTA-Transformer, que integra codificação esparsa baseada no algoritmo LISTA e mecanismos de atenção para superar as limitações de CNNs e Transformers tradicionais na modelagem de características locais e globais, alcançando uma taxa de reconhecimento de falhas de 98,5% no conjunto de dados CWRU.
Este trabalho apresenta um framework de treinamento aumentado que aplica degradações artificiais a um subconjunto de imagens para melhorar a robustez e a precisão da re-identificação individual de animais selvagens em condições de imagem degradadas, estabelecendo novos benchmarks e recursos públicos para a área.
O artigo apresenta o PlaneCycle, um operador livre de treinamento e adaptadores que permite a elevação de modelos de base 2D para tarefas 3D, reutilizando backbones pré-treinados através de uma agregação espacial cíclica em planos ortogonais para alcançar desempenho competitivo sem modificar a arquitetura ou re-treinar o modelo.
Este artigo apresenta uma perspectiva baseada na verossimilhança para a agregação de densidades em ensembles, demonstrando que a média generalizada normalizada com ordem é a única que garante melhorias sistemáticas sobre distribuições individuais, o que justifica teoricamente o uso prático das poolings linear e geométrica.
O artigo apresenta o Real5-OmniDocBench, o primeiro benchmark de reconstrução física em escala total que replica integralmente o OmniDocBench v1.5 em cinco cenários do mundo real para avaliar e diagnosticar as limitações dos modelos de linguagem visuais na interpretação de documentos fora do ambiente digital.
Este trabalho propõe um método baseado em autoencoders variacionais que utiliza estimativa de densidade por vizinhos mais próximos para aprender representações de dados independentes de variáveis sensíveis, superando técnicas existentes ao otimizar diretamente a independência estatística sem depender de decorrelação ou aprendizado adversarial.
O artigo propõe o DiverseDiT, um novo quadro de trabalho que melhora o aprendizado de representações em Transformers de Difusão ao promover explicitamente a diversidade de representações entre blocos por meio de conexões residuais longas e uma função de perda específica, resultando em ganhos consistentes de desempenho e aceleração de convergência.
O artigo apresenta o DeNuC, um método que supera as limitações dos Modelos de Fundação em Patologia ao desacoplar a detecção e a classificação de núcleos, utilizando um modelo leve para localização e o modelo de fundo para extração de características, resultando em desempenho superior e maior eficiência computacional em benchmarks de histopatologia.
O artigo apresenta o EmbodiedSplat, um método de feed-forward online que utiliza 3D Gaussian Splatting para realizar simultaneamente a reconstrução 3D e a compreensão semântica de cenas em tempo real a partir de imagens em fluxo, superando as limitações de métodos anteriores que exigiam otimização offline ou por cena.
Este artigo apresenta uma arquitetura neural de cobertura hipertoroidal que eleva as transformações de saturação e luminosidade de translações lineares para rotações circulares, eliminando artefatos de aproximação e superando métodos anteriores em robustez, interpretabilidade e desempenho em tarefas como classificação fina e imagens médicas.
O artigo apresenta o ViterbiPlanNet, um framework inovador que integra conhecimento procedural explícito em um modelo de planejamento de vídeos instrucionais através de uma Camada de Viterbi Diferenciável, alcançando desempenho de última geração com maior eficiência de amostragem e menor custo computacional em comparação a abordagens baseadas em grandes modelos.
O artigo propõe o SSR, um novo framework de compressão que utiliza descrições textuais combinadas com vetores de imagem compactos para reduzir significativamente o uso de memória e largura de banda em mapas robóticos, mantendo a alta fidelidade necessária para tarefas de localização.
Este estudo apresenta uma análise multicêntrica que avalia a eficácia de métodos de aprendizado profundo utilizando dados sequenciais e informações temporais para aprimorar a detecção e segmentação de pólipos colônicos em tempo real, visando reduzir as taxas de detecção falha e melhorar os resultados clínicos.
O artigo apresenta o CubeComposer, um modelo de difusão autoregressivo espaço-temporal inovador que gera nativamente vídeos 360° em resolução 4K a partir de vídeos em perspectiva, superando as limitações de resolução e eficiência computacional dos métodos existentes para aplicações de realidade virtual.
O artigo apresenta o MMFA, um novo método que supera as limitações das abordagens anteriores de animação facial ao utilizar aprendizado auto-supervisionado e um codificador variacional para desacoplar a identidade dos movimentos, permitindo o controle arbitrário e a interpolação de expressões faciais em um framework não supervisionado.
O artigo apresenta o PromptAvatar, um framework inovador que utiliza modelos de difusão dupla e um novo conjunto de dados em larga escala para gerar avatares 3D de alta fidelidade a partir de prompts de texto ou imagem em menos de 10 segundos, superando as limitações de controle e eficiência dos métodos existentes.
Este estudo apresenta o modelo CRESTomics, uma nova classificação aditiva baseada em kernel que analisa imagens de ultrassom de placas carotídeas do ensaio clínico CREST-2 para identificar marcadores radiômicos interpretáveis associados a riscos clínicos elevados de AVC.