5768 artigos
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.
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.