5561 artigos
O artigo apresenta o eMIGM, um modelo unificado de geração de imagens mascarada que, ao explorar fatores-chave de treinamento e amostragem, alcança desempenho superior ou comparável aos modelos de difusão contínua e autoregressivos mais avançados no ImageNet, exigindo significativamente menos avaliações de função (NFEs).
O SPEED é um método eficiente de apagamento de conceitos em modelos de difusão texto-para-imagem que edita diretamente os parâmetros do modelo para encontrar um espaço nulo, permitindo a remoção precisa de múltiplos conceitos sem degradar a geração de conceitos não-alvo, superando as limitações de tempo e qualidade dos métodos existentes.
Este trabalho apresenta um novo framework de avaliação multiobjetivo, agnóstico ao modelo e disponível publicamente, que permite analisar sistematicamente as compensações entre utilidade e justiça em sistemas de aprendizado de máquina, com foco especial na aplicação em diagnósticos de imagens médicas para mitigar disparidades demográficas sem comprometer o desempenho.
Os autores apresentam um modelo de difusão de vídeo consciente do alvo que gera vídeos a partir de uma imagem inicial, permitindo que um ator execute ações específicas sobre objetos definidos por máscaras de segmentação, utilizando um token especial e uma perda de atenção cruzada para garantir interações humano-objeto precisas e plausíveis.
O artigo apresenta o AdaRank, um novo framework de fusão de modelos que utiliza a minimização de entropia para adaptarivamente podar componentes singulares interferentes durante o teste, alcançando desempenho superior ao estado da arte ao reduzir a lacuna de performance entre modelos ajustados para quase 1%.
Este artigo apresenta uma abordagem que utiliza "conceitos analíticos" baseados em simbolismo matemático para conectar o conhecimento de senso comum inferido por Modelos de Linguagem Multimodais (MLLMs) ao mundo físico, permitindo que robôs realizem manipulação generalizada e precisa de objetos articulados.
O artigo apresenta o OSDM-MReg, um novo framework de registro de imagens multiespectrais que utiliza um modelo de difusão de um único passo para traduzir imagens entre domínios modais e um network de registro multiescala para superar as diferenças radiométricas não lineares e alcançar alta precisão de alinhamento.
Este artigo apresenta o VR-FuseNet, um modelo híbrido de aprendizado profundo que combina VGG19 e ResNet50V2 em um conjunto de dados heterogêneo e balanceado para classificar a retinopatia diabética com 91,824% de precisão, incorporando técnicas de IA explicável para garantir a interpretabilidade clínica das previsões.
O artigo defende que os modelos de visão computacional aplicados à ecologia e biologia devem ser avaliados por meio de métricas específicas do contexto de uso final, demonstrando, através de estudos de caso com chimpanzés e pombos, que o alto desempenho em métricas tradicionais de aprendizado de máquina não garante a precisão necessária para inferências biológicas e ecológicas.
Este trabalho propõe uma solução baseada em IA explicável para atribuir com precisão e eficiência as distâncias de Wasserstein a componentes específicos dos dados, como subgrupos, características ou subespaços interpretáveis, facilitando a compreensão dos fatores que contribuem para essas métricas em cenários de deslocamento de dados e fenômenos de transporte.
O artigo propõe o framework DURA, que integra um Seletor de Características Chave e uma nova função de perda para modelar a incerteza do ruído e ajustar a dificuldade das amostras negativas, melhorando assim a robustez e o desempenho na busca de pessoas baseada em texto em cenários com correspondências ruidosas.
Este estudo apresenta a primeira análise teórica demonstrando que transformadores pré-treinados adversarialmente podem atuar como modelos fundamentais universalmente robustos, capazes de se adaptar a tarefas não vistas por meio de aprendizado em contexto a partir de exemplos limpos, sem necessidade de treinamento adversarial adicional.
O artigo apresenta a Distância de Chamfer Flexível-Ponderada (FCD), uma função objetivo aprimorada que, ao empregar uma estratégia de ponderação assimétrica para priorizar a integridade estrutural global, supera as limitações da Distância de Chamfer padrão e reduz significativamente defeitos como aglomeração de pontos e estruturas incompletas em tarefas de conclusão de nuvens de pontos.
O DeepEyes é um modelo de linguagem visual que utiliza aprendizado por reforço para aprender a "pensar com imagens" de forma nativa, integrando ativamente a percepção visual ao raciocínio sem necessidade de dados de treinamento pré-coletados, resultando em melhorias significativas em tarefas de percepção, raciocínio e redução de alucinações.
O artigo apresenta o GradPCA, um método de detecção de dados fora de distribuição (OOD) que aproveita a estrutura de baixo posto dos gradientes induzida pelo alinhamento do Kernel Tangente Neural (NTK) para alcançar desempenho superior e consistente em benchmarks de classificação de imagens, apoiado por uma análise teórica sobre as propriedades do espaço de características.
Este artigo apresenta o DTR, uma defesa inovadora em tempo de inferência que mitiga ataques de jailbreak multimodal em modelos visão-linguagem ao otimizar dinamicamente os pesos dos tokens visuais nos caches de chave-valor, melhorando a robustez sem comprometer o desempenho em tarefas benignas.
O artigo apresenta o Seek-CAD, um método pioneiro de geração de modelos CAD paramétricos 3D que utiliza o modelo de linguagem aberto DeepSeek-R1 com um mecanismo de auto-refinamento baseado em feedback visual e raciocínio encadeado, dispensando o treinamento e validando sua eficácia através de um novo dataset estruturado.
Este artigo propõe funções de kernel probabilísticas baseadas em projeções determinísticas e ângulos de referência para testes de ângulo em espaços de alta dimensão, demonstrando superioridade teórica e experimental em relação aos métodos gaussianos e alcançando um aumento de 2,5 a 3 vezes na taxa de consultas por segundo (QPS) em comparação com o algoritmo HNSW para busca aproximada de vizinhos mais próximos.
O artigo apresenta o Point-MoE, uma arquitetura baseada em Mistura de Especialistas que permite o treinamento conjunto em larga escala de múltiplos conjuntos de dados heterogêneos para segmentação semântica 3D, superando métodos anteriores ao aprender a selecionar especialistas especializados sem a necessidade de rótulos de dataset durante o treinamento ou inferência.
O artigo apresenta o SenseFlow, uma abordagem que supera as limitações de convergência da distilação de correspondência de distribuição em modelos de texto para imagem baseados em fluxo de grande escala, como SD 3.5 e FLUX, por meio da introdução de alinhamento implícito de distribuição e orientação intra-segmento, resultando em desempenho superior tanto para modelos de difusão quanto de correspondência de fluxo.