5561 artigos
O artigo apresenta o Uni-CoT, um framework unificado que supera as limitações atuais no raciocínio multimodal ao combinar compreensão e geração de imagens em um único modelo, utilizando uma abordagem de raciocínio em dois níveis (macro e micro) e treinamento estruturado para alcançar desempenho state-of-the-art com eficiência computacional.
O artigo apresenta o ImagiDrive, um novo quadro unificado para direção autônoma que integra um agente baseado em Modelos de Linguagem e Visão (VLM) com um imaginador de cenas baseado em Modelos de Mundo de Direção (DWM), criando um ciclo de imaginação e planejamento iterativo que refina as decisões de trajetória através da geração de cenários futuros, demonstrando superioridade em testes nos conjuntos de dados nuScenes e NAVSIM.
O artigo apresenta o CineTrans, um novo framework baseado em modelos de difusão mascarada que gera vídeos coerentes com múltiplas tomadas e transições cinematográficas, utilizando um novo conjunto de dados (Cine250K) e um mecanismo de controle baseado em máscaras para superar as limitações atuais na síntese de vídeos multi-shot.
Este artigo apresenta o MOON, o primeiro modelo generativo baseado em MLLM para aprendizado de representação de produtos em e-commerce, que supera as limitações das arquiteturas existentes ao empregar um módulo MoE guiado, detecção de regiões semânticas e uma estratégia de amostragem negativa, além de lançar o benchmark MBE para avaliação de tarefas de compreensão de produtos.
Os autores propõem o framework Next Visual Granularity (NVG), uma abordagem inovadora para geração de imagens que decomõe o processo em uma sequência estruturada de granularidades visuais progressivas, desde o layout global até detalhes finos, superando consistentemente os modelos VAR anteriores no conjunto de dados ImageNet.
O artigo apresenta o ARMed, um novo framework de aprendizado por reforço que mitiga o colapso de recompensas semânticas através de um mecanismo adaptativo e ajuste supervisionado, permitindo raciocínio médico aberto e mais robusto em modelos de visão e linguagem.
Este artigo propõe um quadro de aprendizado multi-modal desconectado que integra histopatologia e transcriptômica para caracterização de câncer, superando desafios como heterogeneidade de dados e dependência de pares através de fusão em subespaços, consistência de expressão gênica multi-escala e distilação de conhecimento para inferência sem transcriptoma.
O artigo apresenta o TADSR, uma rede de difusão de um único passo com percepção temporal que supera as limitações de métodos anteriores ao utilizar codificadores e funções de perda adaptativos aos timesteps, permitindo a extração mais eficaz de priores generativos de modelos de difusão pré-treinados para super-resolução de imagens do mundo real com resultados state-of-the-art e controle flexível entre fidelidade e realismo.
O FastAvatar é um framework feedforward unificado que utiliza um Transformer de Reconstrução Gaussiana de Grande Escala (LGRT) para reconstruir rapidamente avatares 3D de alta qualidade a partir de registros diários variados, permitindo uma reconstrução incremental e ajustável em termos de qualidade e velocidade.
O artigo propõe o método GACD, uma técnica de decodificação baseada em inferência que utiliza gradientes de primeira ordem para estimar e mitigar vieses textuais e de coocorrência em modelos de linguagem multimodal, reduzindo alucinações e melhorando a fundamentação visual sem necessidade de ajuste fino.
O artigo apresenta o RTGMFF, um novo quadro de trabalho que aprimora o diagnóstico de transtornos cerebrais a partir de fMRI ao integrar a geração de texto orientada por regiões de interesse (ROI) com fusão de características multimodais, superando os métodos atuais em precisão diagnóstica nos conjuntos de dados ADHD-200 e ABIDE.
Este artigo apresenta o T2I-CoReBench, um benchmark abrangente e complexo que avalia as capacidades de composição e raciocínio de modelos de texto-para-imagem, revelando que, embora a composição tenha avançado, o raciocínio permanece um gargalo crítico onde os modelos falham em inferir elementos implícitos.
O artigo apresenta o UniView, um modelo inovador que aprimora a síntese de novas vistas a partir de uma única imagem ao unificar características de imagens de referência recuperadas e selecionadas por um modelo de linguagem multimodal, utilizando um adaptador plug-and-play e um mecanismo de atenção tripla decoplado para reduzir distorções e preservar detalhes.
Este artigo apresenta um método aprimorado para estilização de cenas 3D que utiliza edição de imagem generativa guiada por texto com controle baseado em regiões, garantindo consistência de estilo e de visualização através de mecanismos de atenção compartilhada, mapas de profundidade múltiplos e uma nova função de perda para transferência de estilo em áreas específicas.
O artigo apresenta o LADB, uma framework semi-supervisionada que utiliza pontes de difusão alinhadas em um espaço latente compartilhado para realizar tradução entre domínios com alta fidelidade e diversidade, superando a necessidade de grandes conjuntos de dados totalmente pareados ou não pareados.
O artigo apresenta o TrueSkin, um novo conjunto de dados abrangente que, ao ser utilizado para treinar e avaliar modelos, demonstra melhorar significativamente a precisão no reconhecimento e a fidelidade na geração de tons de pele, abordando assim viéses críticos em modelos de inteligência artificial.
O artigo apresenta o BWCache, um método sem treinamento que acelera a geração de vídeo em Transformers de Difusão ao reutilizar dinamicamente características de blocos entre passos de difusão com base em um indicador de similaridade, alcançando até 6 vezes mais velocidade sem comprometer a qualidade visual.
O artigo apresenta o Brain-HGCN, uma rede neural convolutiva baseada em geometria hiperbólica que supera os métodos euclidianos ao modelar com maior fidelidade a topologia hierárquica das redes funcionais cerebrais para a classificação de transtornos psiquiátricos.
Este trabalho apresenta o I2S, um framework leve e eficiente para identificação de usuários em tempo real em sistemas de realidade aumentada, que utiliza a análise de poses 3D das mãos durante interações humano-objeto para alcançar uma precisão de 97,52% na autenticação.
Este trabalho apresenta o GeoProto, um método inovador para reconhecimento fino e interpretável que alinha protótipos com a geometria intrínseca de características visuais profundas por meio de mapas de difusão e interpolação de Nyström diferenciável, superando as abordagens baseadas em distância euclidiana ao capturar distinções semânticas sutis.