5561 artigos
O artigo apresenta o SHINE, um framework sem treinamento que permite a inserção física plausível de objetos em cenas complexas utilizando modelos de difusão modernos como o FLUX, superando desafios de iluminação e reflexos através de uma nova perda de âncora e técnicas de fusão adaptativa, enquanto introduz o benchmark ComplexCompo para avaliação rigorosa.
Este artigo apresenta o QuadGPT, o primeiro modelo autoregressivo que gera malhas quadrangulares nativas de forma direta, superando os métodos tradicionais de conversão de triângulos ao utilizar uma tokenização unificada e um refinamento especializado por aprendizado por reforço para garantir maior precisão geométrica e qualidade topológica.
O artigo apresenta o DistillKac, um gerador de imagens rápido e estável que utiliza a equação de onda amortecida e a representação estocástica de Kac para transportar massa de probabilidade a velocidade finita, permitindo a geração de amostras de alta qualidade com poucas avaliações de função por meio de um esquema de destilação de extremos.
Este artigo propõe uma nova abordagem aberta, multifacetada e escalável para a avaliação de emoções visuais em Modelos de Linguagem Multimodal (MLLMs), introduzindo uma tarefa de julgamento de declarações emocionais e um pipeline automatizado que revelam tanto os pontos fortes quanto as lacunas significativas na inteligência emocional desses modelos em comparação com humanos.
O artigo apresenta o COMPASS, um framework que utiliza perturbações em subespaços de baixa dimensão no espaço de representação de redes neurais para gerar intervalos de conformidade mais eficientes e precisos para métricas de segmentação médica, superando métodos tradicionais e mantendo a cobertura sob mudanças de covariância.
O artigo apresenta o CircuitSense, um benchmark hierárquico que avalia a capacidade de modelos de linguagem multimodais (MLLMs) em compreender circuitos elétricos, revelando uma lacuna crítica entre o reconhecimento visual e o raciocínio simbólico necessário para a engenharia.
Este trabalho apresenta o NeuroAdapter, um framework que decodifica representações cerebrais diretamente em imagens usando modelos de difusão latente sem espaços intermediários, e introduz o método IBBI para tornar transparente como diferentes áreas corticais influenciam o processo de reconstrução visual.
O artigo apresenta o DiffInk, o primeiro framework baseado em difusão latente e Transformer para geração de linhas completas de caligrafia online, que utiliza o InkVAE para criar um espaço latente semântico e o InkDiT para gerar trajetórias de caneta coerentes, superando os métodos existentes em precisão de glifos, fidelidade estilística e eficiência.
O artigo apresenta o SMART-R1, um novo paradigma de ajuste fino por reforço inspirado no R1 que, ao combinar otimização de política orientada a métricas com uma estratégia de treinamento iterativa "SFT-RFT-SFT", alcança o estado da arte na simulação de tráfego multiagente no Waymo Open Sim Agents Challenge, superando métodos baseados apenas em aprendizado supervisionado.
O artigo apresenta o EditReward, um modelo de recompensa alinhado com preferências humanas e treinado em um grande conjunto de dados anotados por especialistas, que supera os métodos existentes em benchmarks e permite a seleção de dados de alta qualidade para aprimorar modelos de edição de imagem de código aberto.
O artigo apresenta o Stylos, um framework inovador de transferência de estilo 3D baseado em Gaussian Splatting que gera cenas 3D estilizadas a partir de uma única passagem direta, sem necessidade de otimização por cena ou poses pré-computadas, garantindo consistência visual entre múltiplas vistas e preservação geométrica através de uma arquitetura Transformer com perda de estilo baseada em voxels.
Este artigo apresenta o CB, um novo benchmark multilíngue e multitarefa baseado em histórias em quadrinhos que avalia a consciência cultural de Modelos de Linguagem Multimodais (MLLMs) através de tarefas progressivas, revelando uma lacuna significativa entre o desempenho desses modelos e o humano.
O artigo apresenta o LVTINO, um solucionador inverso zero-shot pioneiro para restauração de vídeo em alta definição que utiliza Consistency Models de Vídeo (VCMs) para garantir consistência temporal e alta fidelidade com eficiência computacional, superando os métodos baseados em modelos de imagem aplicados quadro a quadro.
O artigo apresenta o DragFlow, um novo framework que supera as limitações das edições por arrasto em modelos DiT ao substituir a supervisão baseada em pontos por uma abordagem baseada em regiões, integrando adaptadores de personalização e modelos de linguagem multimodal para alcançar um estado da arte com maior consistência e fidelidade.
O artigo apresenta o ChainMPQ, um método sem treinamento que mitiga alucinações de relação em Modelos Visuais-Linguísticos de Grande Escala (LVLMs) por meio de uma cadeia intercalada de imagens e texto guiada por perguntas de múltiplas perspectivas e memórias acumuladas.
O artigo apresenta o VA-Adapter, uma solução eficiente que adapta modelos fundamentais de ultrassom para guiar sondas de ecocardiografia, superando a variabilidade individual ao injetar a compreensão de estruturas 3D em tempo real e alcançando desempenho superior com 33 vezes menos parâmetros treinados.
O artigo apresenta o TTOM, um framework sem treinamento que utiliza otimização e memorização em tempo de teste para alinhar a geração de vídeo com layouts espaço-temporais, superando limitações de modelos fundacionais na criação de vídeos composicionais complexos.
O artigo apresenta os "primitivos neurais splattáveis", uma nova representação volumétrica que combina a expressividade dos campos neurais com a eficiência do splatting, permitindo renderização em tempo real com precisão analítica e utilizando significativamente menos primitivas e parâmetros do que métodos anteriores como o 3D Gaussian Splatting.
O artigo apresenta o LinearSR, um framework inovador que supera os desafios de instabilidade e trade-off percepção-distorção na super-resolução de imagens usando atenção linear, alcançando qualidade fotorealista de ponta com eficiência computacional excepcional.
O artigo apresenta o PHyCLIP, um modelo que unifica hierarquia e composicionalidade em representações visão-linguagem ao empregar um produto cartesiano de fatores hiperbólicos com métrica , superando abordagens de espaço único e oferecendo estruturas mais interpretáveis.