5786 artigos
Este artigo apresenta o RAFM, um novo método de tradução não pareada de CBCT para CT que utiliza correspondência de fluxo retificado aprimorada por recuperação para gerar imagens sintéticas de alta qualidade e estáveis, superando os métodos existentes em métricas de avaliação e viabilidade para cálculo de dose em radioterapia.
Este estudo propõe o modelo MIMD-3DVT, uma nova abordagem baseada em Vision Transformer 3D que integra múltiplas entradas de imagens de ressonância magnética e dados mistos (demográficos e cognitivos) para superar as limitações dos métodos atuais e alcançar uma precisão de 97,14% na classificação da Doença de Alzheimer.
Este trabalho apresenta o M-JudgeBench, um benchmark orientado a capacidades com dez dimensões para avaliar criticamente modelos de julgamento multimodal, e propõe o framework Judge-MCTS para gerar dados de treinamento que resultam no M-Judger, um modelo de julgamento superior que supera os sistemas existentes.
O artigo apresenta o LAS-VAD, um novo framework para detecção de anomalias em vídeos com supervisão fraca que supera as limitações atuais ao integrar mecanismos de componentes conectados e raciocínio de intenção, além de utilizar atributos de anomalia para aprimorar a semântica e a precisão da detecção.
O artigo apresenta o "Geometry OR Tracker", um pipeline de duas etapas que corrige inconsistências geométricas e de calibração em salas cirúrgicas para permitir um rastreamento 3D robusto e em escala métrica unificada, resultando em ganhos significativos de precisão no benchmark MM-OR.
O artigo propõe o MIDAS, um novo framework de jailbreak para Modelos de Linguagem Multimodais (MLLMs) que contorna mecanismos de segurança ao decompor intenções maliciosas em subunidades dispersas por múltiplas imagens e reconstruí-las gradualmente por meio de raciocínio visual cruzado, alcançando uma taxa de sucesso média de 81,46% em modelos fechados de última geração.
O artigo propõe o DASP, um novo quadro de adaptação em tempo de teste para modelos multimodais que desacopla estabilidade e plasticidade em componentes assimétricos para mitigar a transferência negativa e o esquecimento catastrófico, superando assim os métodos atuais em diversos benchmarks.
Este trabalho apresenta o MicroVerse, um modelo de geração de vídeo especializado em simulações de microcosmos, fundamentado no benchmark MicroWorldBench e no conjunto de dados MicroSim-10K, para superar as limitações atuais na representação fiel de fenômenos biológicos em escala microscópica.
O artigo apresenta o LangGap, um novo benchmark que expõe a incapacidade dos atuais modelos Visão-Linguagem-Ação de compreender instruções linguísticas diversas e demonstra que, embora a augmentação de dados possa melhorar o desempenho em tarefas específicas, a capacidade de aprendizado desses modelos permanece insuficiente para lidar com a diversidade semântica complexa.
O artigo apresenta o UNICBench, um benchmark unificado e rigoroso com 5.300 imagens, 872 documentos e 2.069 áudios, além de um toolkit de avaliação, para medir e comparar o desempenho de 45 modelos de linguagem multimodais (MLLMs) na tarefa de contagem, revelando lacunas significativas em tarefas complexas de raciocínio.
Este artigo apresenta um novo benchmark centrado em dados, um conjunto de dados público e duas técnicas inovadoras que superam os métodos existentes na identificação, quantificação e classificação de amostras de treinamento com ruído de rótulo em segmentação semântica de imagens de sensoriamento remoto.
O artigo apresenta o IdGlow, um framework inovador sem máscaras baseado em dois estágios que resolve o dilema estabilidade-plasticidade na geração de imagens com múltiplos sujeitos, harmonizando identidades diversas e transformações estruturais complexas, como o envelhecimento, através de agendamento adaptativo de timesteps, síntese de prompts orientada por VLM e otimização direta de preferências (DPO).
O artigo apresenta o CodeAlign, um novo framework de alinhamento eficiente e livre de co-ocorrência que supera o isolamento de modalidades na percepção colaborativa heterogênea através de tradução de características via códigos, alcançando desempenho superior com parâmetros reduzidos e menor carga de comunicação.
Este artigo apresenta o primeiro conjunto de dados dinâmicos de imagens hiperespectrais (DynaSpec), um novo modelo de transformação baseado em propagação de características (PG-SVRT) e um benchmark para reconstrução espectral compressiva em nível de vídeo, superando as limitações de consistência temporal e qualidade de reconstrução dos métodos baseados em imagens.
Este trabalho aborda o desafio da poda de conjuntos de dados 3D, caracterizados por distribuições de classes de cauda longa que tornam conflitantes as métricas de precisão global e média, propondo um método inovador de seleção de subconjuntos com cotas de retenção por classe e supervisão de professores invariante a priores para otimizar simultaneamente ambas as métricas.
O artigo apresenta o RC-GeoCP, o primeiro framework de percepção colaborativa que funde dados de radar 4D e câmeras através de um consenso geométrico para corrigir desalinhamentos e otimizar a comunicação, alcançando desempenho superior com menor sobrecarga de dados.
O artigo propõe o SCVM, um novo quadro de visão modulado por memória que controla a evolução das representações visuais através de um estado de memória recursivo e modulação entre camadas, permitindo melhorias consistentes em tarefas multimodais sem a necessidade de expandir tokens visuais, adicionar codificadores ou ajustar o modelo de linguagem.
O artigo apresenta o HistoSelect, um framework de recuperação do grosseiro ao fino orientado por perguntas que imita o processo de exame dos patologistas ao selecionar regiões de tecido e patches informativos em imagens de lâminas inteiras, resultando em maior eficiência e precisão nas respostas de modelos de linguagem visual para patologia.
Este trabalho propõe um novo framework baseado em uma rede U-Net de duplo canal no espaço k para reconstruir diretamente imagens de ressonância magnética de baixo campo com super-resolução a partir de dados subamostrados, superando métodos baseados no domínio espacial e alcançando qualidade comparável a aquisições completas.
O artigo propõe o framework MoLRE, que especializa modelos fundamentais de imagem médica através de uma mistura de adaptadores de baixo rank e roteamento suave, demonstrando melhorias consistentes na detecção de achados em tomografias computadorizadas de crânio ao longo de seis modelos de ponta, com ganhos particularmente expressivos em modelos de domínio geral e médico.