5771 artigos
O artigo apresenta o SesaHand, um método que aprimora a reconstrução 3D de mãos ao gerar imagens sintéticas diversificadas e alinhadas semanticamente e estruturalmente, utilizando inferência de Cadeia de Pensamento para capturar comportamentos humanos e fusão estrutural hierárquica para garantir a coerência entre a mão e o corpo.
Este trabalho propõe um método aprimorado de compressão adversarial de difusão para super-resolução de vídeo no mundo real, que distila um modelo DiT pesado em uma rede leve com convoluções temporais e um esquema de distilação adversarial de dupla cabeça, reduzindo a complexidade em 95% e acelerando a inferência em 8 vezes sem comprometer a qualidade visual ou a consistência temporal.
Este artigo apresenta o LSS-LTCNet, um modelo explicável e eficiente para segmentação de úlceras nos pés que combina descritores de auto-similaridade local e dinâmica neural de tempo contínuo para alcançar precisão de borda superior e transparência em ambientes de saúde móvel.
O artigo apresenta o ReMoT, um paradigma de treinamento unificado que combina um conjunto de dados de contrastes de movimento gerado automaticamente e o algoritmo de Otimização de Política Relativa Agrupada (GRPO) para superar as limitações de consistência espaço-temporal dos Modelos de Linguagem Visuais, alcançando desempenho superior em tarefas de raciocínio dinâmico.
O artigo propõe o OPGAgent, um sistema de agente multi-ferramenta que supera os modelos de linguagem visual existentes na interpretação auditável de radiografias panorâmicas dentais (OPGs) ao coordenar módulos especializados com um mecanismo de consenso e introduzir o OPG-Bench para uma avaliação estruturada e abrangente.
O artigo apresenta o DreamWorld, um framework unificado que integra múltiplos tipos de conhecimento do mundo em geradores de vídeo através de um paradigma de modelagem conjunta e técnicas de regularização, resultando em uma consistência temporal e espacial superior à dos modelos existentes.
Este artigo apresenta um sistema de imagem de alta faixa dinâmica (HDR) co-projetado em hardware e algoritmo que integra de forma assimétrica uma câmera com exposição espacialmente variável e um sensor de eventos, utilizando um framework de alinhamento cruzado e uma rede de reconstrução para superar as limitações de superexposição em ambientes com iluminação extrema.
Este trabalho apresenta o FEWTRANS, um benchmark abrangente com um novo protocolo de avaliação, que revela que a escolha do modelo pré-treinado é mais determinante que métodos complexos de adaptação, demonstrando que o ajuste fino completo supera técnicas sofisticadas em cenários de poucos exemplos devido a ajustes micro distribuídos e à melhor reconfiguração de representações semânticas.
O artigo apresenta o U-VLM, um modelo hierárquico de visão e linguagem que utiliza um encoder pré-treinado em segmentação e injeção visual multicamada para gerar relatórios radiológicos a partir de imagens 3D, alcançando desempenho superior ao de modelos com decodificadores muito maiores.
Este artigo apresenta uma análise que combina um quadro probabilístico para determinar o número de cédulas adversariais necessárias para alterar o resultado de uma eleição nos EUA com uma avaliação empírica de 144.000 exemplos físicos, revelando uma lacuna crítica entre os domínios digital e físico onde os tipos de ataques mais eficazes diferem significativamente.
O artigo propõe o TaiChi, um novo modelo de linguagem visual que supera as limitações de granularidade e alinhamento das abordagens atuais através de um tokenizador dual, uma rede de atenção bilateral e um projetor baseado em KAN, demonstrando sua eficácia em um sistema de comunicação multimodal e multitarefa.
O RAISE é um framework evolutivo de autoaperfeiçoamento sem treinamento que melhora o alinhamento texto-imagem em modelos de difusão adaptando dinamicamente o esforço computacional à complexidade do prompt por meio de ações de refinamento e verificação baseada em checklist, alcançando desempenho superior com menor custo computacional.
Este artigo propõe e valida a estratégia de agrupamento aleatório como uma abordagem simples e unificada que supera métodos de agrupamento complexos e cuidadosamente projetados em Transformers de visão, demonstrando que o cumprimento de quatro condições essenciais (informação posicional, diversidade de características dos cabeçalhos, campo receptivo global e ausência de padrão de agrupamento fixo) é suficiente para obter desempenho superior em diversas tarefas visuais e multimodais.
O artigo apresenta o ArtiFixer, um pipeline de duas etapas que utiliza um modelo de difusão bidirecional treinado com uma estratégia de mistura de opacidade e um modelo auto-regressivo causal para gerar centenas de vistas consistentes em uma única passagem, corrigindo artefatos e melhorando significativamente a reconstrução 3D em áreas não observadas, superando os métodos atuais em qualidade e escalabilidade.
O artigo apresenta o COG, um framework não supervisionado para estimativa de pose 6DoF de objetos novos a partir de uma única referência, que formula a correspondência geométrica como um problema de transporte ótimo consciente de confiança para gerar correspondências suaves e balanceadas, superando as limitações de métodos existentes e alcançando desempenho comparável ou superior a abordagens supervisionadas.
O artigo apresenta o M, um framework livre de treinamento que utiliza um mecanismo de memória dupla, combinando sumarização dinâmica de trajetórias e recuperação de insights, para superar as limitações de tarefas de longo prazo em agentes web, resultando em aumentos significativos nas taxas de sucesso e reduções substanciais no uso de tokens.
Este estudo apresenta o HiClass, um framework de classificação hierárquica baseado em aprendizado de múltiplas instâncias que, ao integrar bidirecionalmente características de diferentes níveis e empregar funções de perda personalizadas, supera os métodos de classificação plana na análise de imagens de histopatologia de lâminas inteiras (WSI).
Este trabalho introduz o framework analítico EmbedLens para revelar que os tokens visuais em modelos de linguagem multimodais exibem uma esparsidade semântica significativa, onde apenas cerca de 60% dos tokens "vivos" carregam informações essenciais, demonstrando que a computação visual interna é frequentemente redundante e que a injeção direta desses tokens em camadas intermediárias do LLM é suficiente para tarefas complexas.
O artigo propõe o MMA-RAG, um sistema de Resposta Visual a Perguntas que utiliza uma análise de representações internas para decidir dinamicamente quando incorporar conhecimento externo recuperado, reduzindo assim as alucinações e melhorando a robustez em cenários multimodais.
O artigo apresenta o MLLM-4D, um framework inovador que supera as limitações atuais de modelos multimodais na inteligência espaço-temporal 4D ao utilizar um pipeline de curadoria de dados eficiente e uma estratégia de pós-treinamento com GRPO e raciocínio em cadeia especializado, alcançando desempenho de ponta na compreensão e raciocínio de evolução 3D a partir de entradas visuais 2D.