5561 artigos
Este artigo propõe o IB-IUMAD, um novo framework de detecção de anomalias multimodais incremental que utiliza um decodificador Mamba e um módulo de gargalo de informação para mitigar o esquecimento catastrófico ao eliminar características espúrias e redundantes, superando as limitações das abordagens de agregação ingênua.
O artigo apresenta o SEP-YOLO, um novo framework que supera os desafios da segmentação de objetos transparentes ao integrar um mecanismo colaborativo de domínio duplo para aprimorar detalhes de borda no domínio da frequência e refinar a localização espacial, alcançando desempenho superior nos conjuntos de dados Trans10K e GVD.
O artigo apresenta o OmniFashion, um framework unificado de visão e linguagem baseado no conjunto de dados FashionX, que supera as limitações atuais ao integrar múltiplas tarefas de inteligência de moda em um paradigma de diálogo interativo, permitindo raciocínio multitala e generalização cruzada.
O artigo apresenta o M3IRT, um framework baseado na Teoria de Resposta ao Item que decompõe a capacidade dos modelos e a dificuldade dos itens em componentes unimodais e cruzados, permitindo a identificação e priorização de questões genuinamente multimodais para criar benchmarks mais compactos, confiáveis e eficientes na avaliação do raciocínio cruzado de Modelos de Linguagem Multimodais.
O artigo apresenta o DREAM, um modelo unificado que integra aprendizado de representação visual e geração de imagens a partir de texto através de técnicas como "Masking Warmup" e "Semantically Aligned Decoding", alcançando desempenho superior em tarefas de compreensão e geração visual sem a necessidade de rerankers externos.
O artigo apresenta o VisionCreator, um modelo agente nativo de geração visual que unifica compreensão, raciocínio, planejamento e criação em um framework aprendível, apoiado por novos conjuntos de dados, técnicas de treinamento avançadas e um benchmark abrangente para superar modelos fechados existentes em tarefas complexas de criação visual.
O artigo apresenta o ReCo-Diff, um novo framework de difusão determinística que utiliza amostragem auto-guiada condicionada aos resíduos de observação para corrigir continuamente as previsões, superando a instabilidade e a acumulação de erros de métodos existentes e alcançando reconstruções de tomografia computadorizada com visão esparsa mais precisas e robustas.
O artigo apresenta o FiDeSR, um framework de super-resolução de imagem em um único passo baseado em difusão que combina uma estratégia de ponderação detalhada, aprimoradores adaptativos de frequência e refinamento de ruído residual para preservar detalhes finos e garantir reconstruções de alta fidelidade em cenários do mundo real.
O artigo apresenta o ShareVerse, um framework de geração de vídeo multiagente que utiliza um novo conjunto de dados no CARLA, uma estratégia de concatenação espacial e blocos de atenção cruzada para garantir a consistência geométrica e a modelagem compartilhada de um mundo interativo entre múltiplos agentes.
Os autores desenvolveram o modelo de aprendizado profundo visual-linguístico "GTDoctor" e o sistema clínico "GTDiagnosis", que demonstraram alta precisão na detecção de lesões e reduziram significativamente o tempo de diagnóstico de doenças trofoblásticas gestacionais, melhorando a eficiência e a consistência diagnóstica.
O artigo propõe o MiM-DiT, um quadro unificado de restauração de imagens que integra uma arquitetura de Mixture-of-Experts (MoE) de dois níveis com um modelo de difusão pré-treinado para lidar eficazmente com diversos tipos de degradação, desde a seleção de grupos de especialistas para categorias principais até a escolha de sub-especialistas para variações finas.
O artigo apresenta o CoR-Painter, um framework inovador que supera as limitações dos métodos atuais de geração de imagens autoregressiva ao introduzir um paradigma de "Como para O Quê" baseado em Raciocínio Constrained, o qual deduz restrições visuais espaciais e composicionais para guiar a geração de descrições detalhadas e alcançar desempenho state-of-the-art em benchmarks como T2I-CompBench.
O artigo apresenta o TenExp, um framework de busca de estrutura de decomposição tensorial baseado em mistura de especialistas (MoE) que supera os métodos existentes ao permitir a seleção dinâmica e não supervisionada de decomposições únicas ou mistas, oferecendo limites teóricos de erro e demonstrando superioridade em diversos conjuntos de dados.
Este artigo propõe a SFDE, uma rede leve e eficiente que utiliza representações complementares dos domínios espacial e frequencial através de uma arquitetura de três ramos para superar os desafios de assimetria geométrica e inconsistência de textura na geo-localização entre vistas cruzadas, alcançando desempenho superior ao estado da arte.
Este artigo apresenta o RSHBench, um benchmark para diagnóstico de alucinações em modelos de linguagem multimodal aplicados a sensoriamento remoto, e propõe o RADAR, um método de inferência sem treinamento que utiliza atenção relativa para melhorar a localização e o raciocínio local, mitigando efetivamente as alucinações factuais e lógicas.
O artigo propõe o HiLoRA, um framework hierárquico de Low-Rank Adaptation que, ao organizar adaptadores em níveis globais, de agrupamento e específicos do cliente e utilizar um mecanismo de clustering baseado em similaridade de subespaço, supera as limitações de métodos existentes ao melhorar a personalização e a generalização em Aprendizado Federado com Vision Transformers.
O artigo apresenta o UNICORN, um novo benchmark público e unificado que avalia modelos fundamentais médicos em patologia, radiologia e linguagem natural através de um protocolo padronizado de adaptação com poucos exemplos, permitindo a comparação direta de desempenho entre diferentes domínios, modalidades e tarefas.
O artigo apresenta o R3GW, um método inovador que gera uma representação 3D de Gaussiana relightável para cenas externas em ambientes não controlados, separando o primeiro plano refletivo do fundo não refletivo para permitir a síntese de novas vistas fotorrealistas sob condições de iluminação arbitrárias.
O artigo apresenta o NOVA, um novo framework para edição de vídeo sem dados pareados que combina controle esparsos por meio de quadros-chave editados com síntese densa baseada no vídeo original e uma estratégia de treinamento com simulação de degradação, superando métodos existentes em fidelidade, preservação de movimento e coerência temporal.
Este artigo apresenta um novo corpus sintético e um conjunto de dados de benchmark para avaliar modelos de linguagem visual na transcrição de edições críticas do grego antigo, demonstrando que, embora os modelos atuais tenham limitações em cenários zero-shot, o Qwen3VL-8B atinge desempenho superior com uma taxa de erro de caracteres de 1,0% após ajuste fino.