5768 artigos
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.
Este estudo apresenta um método de detecção de incêndios relacionados a conflitos no Sudão em quase tempo real, utilizando um modelo leve de Auto-Encoder Variacional (VAE) não supervisionado com imagens de satélite de 4 bandas, que supera técnicas tradicionais ao identificar áreas afetadas em 24 a 30 horas com alta precisão e recall.
Este estudo sistemático demonstra que, em cenários de adaptação contínua em tempo de teste, a escolha da família de mascaramento (espacial versus frequência) é determinante para a estabilidade do aprendizado, sendo o mascaramento espacial superior em arquiteturas baseadas em patches para evitar o colapso catastrófico, enquanto o mascaramento em frequência se torna competitivo em tarefas de alta granularidade com CNNs ou ViTs de grande capacidade.
O artigo apresenta o Brain-Semantoks, um modelo de fundação auto-supervisionado que utiliza um tokenizador semântico e um objetivo de auto-distilação para aprender representações robustas da dinâmica cerebral a partir de séries temporais de fMRI, permitindo alto desempenho em tarefas downstream e ganhos de generalização com o aumento de dados não rotulados.
O artigo apresenta o -CLIP, um framework de aprendizado contrastivo condicionado a texto que alinha representações visuais e textuais em múltiplas granularidades hierárquicas por meio de um mecanismo de atenção cruzada e uma nova função de perda (-CAL), alcançando desempenho superior em tarefas de alinhamento denso e recuperação de imagens sem o uso de negativos difíceis.
O artigo apresenta o CRISP, um método que recupera geometria de cena limpa e simulável a partir de vídeos monoculares, utilizando primitivas planares e modelagem de contato humano-cenário para gerar ambientes de interação fisicamente plausíveis que reduzem drasticamente as falhas no rastreamento de movimento e aceleram a simulação em RL.
O artigo apresenta o SoFlow, um framework de modelos de fluxo de solução que permite a geração em um único passo com alta eficiência e desempenho superior ao do MeanFlow no ImageNet, utilizando uma perda de consistência que elimina a necessidade de cálculos complexos de produtos vetoriais-Jacobiano.
Este trabalho apresenta um quadro abrangente de IA interpretável que integra imagens clínicas e histórico familiar para aprimorar o diagnóstico dermatológico, com validação preliminar por profissionais de saúde e planos para futuros ensaios clínicos prospectivos.
O artigo apresenta o GeoTeacher, um método de detecção 3D semi-supervisionada que melhora a capacidade dos modelos de capturar relações geométricas de objetos através de uma supervisão baseada em pontos-chave e uma estratégia de aumento de dados em voxels com mecanismo de decaimento de distância, alcançando resultados state-of-the-art nos conjuntos de dados ONCE e Waymo.
O artigo propõe o método ForCM, que integra Análise de Imagem Baseada em Objetos (OBIA) com modelos de Deep Learning aplicados a imagens Sentinel-2, demonstrando que essa abordagem híbrida supera os métodos tradicionais de OBIA na precisão do mapeamento de cobertura florestal na Amazônia.
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.