5561 artigos
Este artigo propõe o framework CSL, uma abordagem unificada de co-aprendizado que supera os desafios do reconhecimento de imagens multi-rótulo com rótulos incompletos, integrando a extração de características semânticas robustas e a recuperação adaptativa de rótulos ausentes para alcançar desempenho superior em conjuntos de dados públicos.
O artigo apresenta o UniFlow, um tokenizador visual unificado que supera o dilema entre compreensão e geração ao combinar auto-distilação adaptativa em camadas para herdar características semânticas robustas com um decodificador leve de fluxo de pixels que garante reconstrução de alta fidelidade, alcançando resultados superiores em diversas tarefas de entendimento e geração de imagens.
Este artigo apresenta um novo framework de treinamento em duas etapas que permite o treinamento eficaz de modelos generativos no espaço de pixels, alcançando desempenho de ponta no ImageNet e superando métodos baseados em VAEs e o DiT com maior eficiência computacional, sem a necessidade de espaços latentes pré-treinados.
O artigo apresenta o Fly-CL, um framework bioinspirado no circuito olfativo de moscas que utiliza modelos pré-treinados quase congelados para resolver problemas de multicolinearidade na aprendizagem contínua, reduzindo significativamente o tempo de treinamento sem comprometer o desempenho.
O artigo apresenta o Mono4DGS-HDR, um sistema pioneiro que utiliza uma abordagem de otimização em duas etapas baseada em Gaussian Splatting para reconstruir cenas 4D de alto alcance dinâmico (HDR) a partir de vídeos monoculares não calibrados com exposições alternadas, alcançando superioridade em qualidade e velocidade de renderização.
O LightMem é um sistema de memória leve e eficiente para Grandes Modelos de Linguagem, inspirado no modelo humano de memória, que organiza as informações em três estágios complementares para melhorar a precisão na resposta a perguntas e reduzir drasticamente o uso de tokens e chamadas de API em comparação com métodos existentes.
O artigo apresenta o BioCAP, um modelo fundamental biológico que utiliza legendas sintéticas geradas por modelos de linguagem multimodal para superar a escassez de descrições textuais específicas, melhorando assim a classificação de espécies e a recuperação de imagens ao alinhar características visuais e textuais em um espaço latente compartilhado.
O VoMP é um método feed-forward que prevê campos de propriedades mecânicas volumétricas (como módulo de Young, coeficiente de Poisson e densidade) para objetos 3D, utilizando um Transformer de Geometria treinado em um manifold de materiais fisicamente plausíveis e superando trabalhos anteriores em precisão e velocidade.
O artigo apresenta o Concerto, um modelo de aprendizado auto-supervisionado minimalista que combina representações 2D e 3D para superar os métodos atuais na percepção de cenas 3D e permitir a percepção em mundo aberto através de alinhamento com espaço linguístico.
O artigo apresenta o ProMoE, um novo framework de Mistura de Especialistas (MoE) para Transformadores de Difusão que supera as limitações atuais ao empregar um roteador em duas etapas com orientação explícita para especializar especialistas em tokens visuais, resultando em desempenho superior no benchmark ImageNet.
O artigo apresenta o "Brain-IT", um método baseado em um Transformer de Interação Cerebral que reconstrói imagens a partir de dados de fMRI com alta fidelidade e eficiência, superando abordagens atuais e alcançando resultados comparáveis com apenas uma hora de dados de um novo sujeito.
Este trabalho propõe um método inovador que gera vídeos de rostos falantes em alta resolução exclusivamente a partir de uma única entrada de áudio, utilizando um modelo de difusão condicionado à fala com priores faciais e um módulo de refinamento regional para superar as limitações das abordagens existentes que dependem de imagens de referência.
O artigo apresenta o ThinkMorph, um modelo unificado que demonstra propriedades emergentes de inteligência multimodal ao aprender a gerar raciocínios encadeados intercalados entre texto e imagem, resultando em ganhos significativos de desempenho e generalização em tarefas visuais.
Este estudo demonstra que a segmentação de imagens médicas segue uma lei de escala limitada pela geometria anatômica, onde o aumento de dados apresenta saturação precoce, mas o uso de aumentações baseadas em topologia melhora a eficiência amostral ao expandir a cobertura topológica efetiva sem alterar a estrutura fundamental da lei de escala.
O artigo apresenta o VeCoR, uma técnica de regularização contrastiva que aprimora o Flow Matching ao adicionar supervisão negativa para evitar direções fora da variedade de dados, resultando em maior estabilidade e qualidade de imagem, especialmente em configurações leves e com poucos passos.
O artigo apresenta o UltraViCo, um método gratuito e plug-and-play que supera os limites de extrapolação de vídeos em Transformers de Difusão ao identificar e corrigir a dispersão de atenção, eliminando repetições periódicas e degradação de qualidade para permitir a geração de vídeos com até quatro vezes a duração de treinamento.
O artigo propõe o ReSAM, um framework de auto-prompting supervisionado por pontos que adapta o Segment Anything Model (SAM) para imagens de sensoriamento remoto através de um ciclo de refinamento, reconsulta e reforço, superando métodos existentes sem depender de anotações completas de máscaras.
O artigo apresenta o InnoGym, o primeiro benchmark e framework projetado para avaliar sistematicamente o potencial de inovação de agentes de IA, introduzindo métricas de ganho de desempenho e novidade para medir não apenas a correção, mas também a originalidade das soluções em tarefas de engenharia e ciência.
O artigo apresenta o AdaptVision, um modelo eficiente de visão e linguagem que, inspirado na visão ativa humana e utilizando otimização de política de turnos desacoplada (DTPO), determina autonomamente a quantidade mínima de tokens visuais necessários para cada tarefa, alcançando desempenho superior com menor custo computacional.
Este artigo apresenta o FARL, um novo framework que melhora a generalização em poucos exemplos de Modelos Visão-Linguagem ao utilizar análise de Fourier e um mecanismo de atenção cruzada para desentrelaçar explicitamente as características estruturais e estilísticas das imagens, resultando em uma alinhamento visão-linguagem mais robusto.