5592 artigos
O artigo apresenta o CEM, um plugin plug-and-play que otimiza a fidelidade na aceleração de Transformers de Difusão (DiT) através da minimização do erro cumulativo, utilizando um algoritmo de programação dinâmica para adaptar dinamicamente as estratégias de cache e superar o desempenho de geração de modelos existentes.
Este artigo propõe as PiNets, um novo framework de aprendizado profundo baseado no princípio de legibilidade do modelo, que garante explicações alinhadas e fiáveis às previsões reais da rede neural, superando as limitações de racionalização dos métodos de atribuição de características tradicionais.
O TP-Blend é uma estrutura leve e sem treinamento que combina dois prompts textuais distintos para realizar a fusão precisa de objetos e estilos em modelos de difusão, utilizando os mecanismos de fusão de atenção de objetos (CAOF) e fusão de estilo (SASF) para gerar edições fotorealistas de alta resolução com controle simultâneo sobre conteúdo e aparência.
O artigo apresenta o método Copy-Transform-Paste, uma abordagem zero-shot que otimiza a pose relativa entre duas malhas 3D utilizando gradientes do CLIP e um renderizador diferenciável, complementados por restrições geométricas e de linguagem, para gerar alinhamentos semânticos e fisicamente plausíveis sem necessidade de treinamento prévio.
Este artigo apresenta o Perceptual Counterfactual Geodesics (PCG), um método que gera explicações contrafactuais semântica e visualmente válidas traçando geodésicas em um espaço latente com métrica riemanniana perceptual, superando as limitações de abordagens existentes que produzem artefatos fora da variedade ou colapsos adversariais.
O artigo apresenta o Vision-DeepResearch, um novo paradigma para Modelos de Linguagem Multimodal (MLLMs) que, por meio de treinamento supervisionado e por reforço, internaliza capacidades de pesquisa profunda multi-turno e multi-escala para superar ruído visual e resolver questões complexas, superando tanto modelos existentes quanto fluxos de trabalho baseados em fundações proprietárias de ponta.
Este artigo propõe um novo paradigma para detecção de anomalias baseado na compatibilidade entre sujeito e contexto, introduzindo o benchmark CAAD-3K e um framework de aprendizado que supera os métodos existentes ao modelar anomalias como dependências contextuais em vez de propriedades intrínsecas.
Este trabalho apresenta o HitEmotion, um benchmark hierárquico baseado na Teoria da Mente, juntamente com uma cadeia de raciocínio guiada e o método de aprendizado por reforço TMPO, para diagnosticar e aprimorar a capacidade de raciocínio emocional profundo em modelos de linguagem multimodais.
Este artigo propõe um novo método de quantização pós-treinamento para modelos de difusão que otimiza a atribuição de pesos às amostras de calibração para alinhar os gradientes entre os diferentes timesteps, superando as limitações das abordagens uniformes existentes e melhorando significativamente a eficiência e a qualidade da geração de imagens.
O artigo apresenta o CaCoVID, um novo algoritmo de compressão de tokens para modelos de linguagem grandes em vídeo que utiliza aprendizado por reforço para otimizar ativamente a seleção de tokens com base em sua contribuição direta para respostas corretas, superando as limitações dos métodos tradicionais baseados em scores de atenção.
O artigo apresenta o CloDS, um quadro de aprendizado não supervisionado que utiliza observações visuais multiview e uma técnica de splatting gaussiano baseada em malha para aprender a dinâmica de tecidos em condições desconhecidas sem depender de propriedades físicas pré-definidas.
Este artigo apresenta o VDR-Bench, um novo benchmark de 2.000 instâncias projetado para superar as limitações de avaliações anteriores ao focar em cenários realistas de pesquisa visual e textual para Modelos de Linguagem Multimodal, além de propor um fluxo de trabalho de busca com recortes múltiplos que melhora significativamente o desempenho desses sistemas.
Este estudo investiga as representações de pessoas com deficiência em modelos de geração de imagens por texto, como o Stable Diffusion XL e o DALL-E 3, revelando desequilíbrios persistentes e destacando a necessidade de avaliação contínua e refinamento para promover retratos mais diversos e inclusivos.
O artigo apresenta o RFDM, um modelo de edição de vídeo causal e eficiente que utiliza um processo de difusão de fluxo residual para editar vídeos de comprimento variável quadro a quadro com o custo computacional de modelos de imagem, superando métodos baseados em I2I e competindo com modelos V2V 3D completos.
Este estudo compara cinco modelos de reconstrução 3D a partir de imagens 2D, demonstrando que, embora todos enfrentem limitações fundamentais de sobreposição volumétrica devido à ambiguidade de profundidade em dados médicos, o SAM 3D destaca-se por capturar melhor a similaridade topológica, evidenciando a necessidade de adaptação específica ao domínio para reconstruções médicas confiáveis.
O artigo apresenta o EchoTorrent, um novo esquema de geração de vídeo multimodal em streaming que supera os desafios de latência e estabilidade temporal através de uma arquitetura inovadora combinando treinamento multi-professor, calibração adaptativa de CFG, forçamento híbrido de cauda longa e refinamento do decodificador VAE, resultando em uma geração rápida, consistente e sincronizada com áudio.
Este artigo apresenta o GPEReg-Net, uma rede neural que resolve o registro de imagens entre domínios distintos através da fatoração da representação da cena e da aparência, eliminando a necessidade de estimar campos de deformação explícitos e alcançando desempenho superior e maior velocidade em benchmarks de retina e texturas sintéticas.
O artigo apresenta o OmniCT, um modelo unificado de visão e linguagem para análise de tomografia computadorizada que integra características de fatias e volumes para superar as limitações existentes na consistência espacial e granularidade, oferecendo desempenho superior em tarefas clínicas e estabelecendo um novo paradigma para a compreensão de imagens médicas.
O artigo apresenta o Prefer-DAS, um modelo inovador de segmentação adaptativa de domínio para microscopia eletrônica que supera as limitações das estratégias não supervisionadas ao integrar prompts esparsos e otimização de preferência local, alcançando desempenho superior ou comparável a modelos supervisionados com mínima anotação humana.
O artigo apresenta o Hepato-LLaVA, um modelo de linguagem multimodal especializado que utiliza um mecanismo de atenção "Sparse Topo-Pack" para analisar imagens de lâminas inteiras de carcinoma hepatocelular com alta precisão, apoiado pelo novo conjunto de dados clínico HepatoPathoVQA.