5768 artigos
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.
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.