5768 artigos
O artigo propõe o CLiFT, uma abordagem de renderização neural que representa cenas como "tokens de campo de luz comprimidos", permitindo a síntese de novas visões com qualidade comparável e eficiência computacional adaptável ao ajustar dinamicamente o número de tokens utilizados.
O artigo apresenta o SeC, um novo framework de segmentação de objetos em vídeo baseado na construção progressiva de conceitos por meio de Modelos Visuais-Linguísticos, que supera os métodos atuais ao introduzir o benchmark SeCVOS e alcançar desempenho superior em cenários complexos.
Este artigo apresenta um framework unificado de gêmeo digital e robótico que integra simulação acelerada e bancadas de teste robóticas do Laboratório de Encontro Espacial de Stanford para validar e verificar o desempenho de sistemas de orientação, navegação e controle em operações de proximidade e voo em formação.
O artigo apresenta o MonoFusion, um método que reconstroi cenas dinâmicas a partir de vídeos de poucas câmeras ao alinhar reconstruções monoculares independentes, superando as limitações de abordagens anteriores que exigem capturas multiview densas e caras.
Este artigo apresenta o HGTS-Former, uma nova rede Transformer baseada em hipergrafos hierárquicos para análise de séries temporais multivariadas que supera desafios de alta dimensionalidade e interações complexas, demonstrando desempenho superior em diversas tarefas e no reconhecimento de modos localizados de borda (ELM) em fusão nuclear.
Este trabalho propõe um novo método de simulação de Ressonância Magnética que agrupa isocromatos com propriedades idênticas para compartilhar cálculos, resultando em uma aceleração de 3 a 72 vezes em comparação com os métodos convencionais.
Este trabalho propõe o uso de "Causal Delta Embeddings" para representar intervenções de forma invariante ao cenário visual e esparsa em relação às variáveis causais afetadas, demonstrando que essa estratégia melhora significativamente a robustez fora de distribuição (OOD) em tarefas de aprendizado de representação causal sem supervisão adicional.
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.