5807 artigos
O artigo apresenta o GuiDINO, um framework que reposiciona modelos de visão fundamentais como geradores de orientação visual para segmentação médica, utilizando um mecanismo leve para transformar características do DINOv3 em máscaras-guia que melhoram a precisão e a robustez de bordas sem a necessidade de ajuste fino completo.
O artigo apresenta o ClinCoT, um framework de cadeia de pensamento visual consciente do contexto clínico que supera as alucinações factuais em modelos de linguagem e visão médica ao transformar a otimização de preferência de correção de resposta para raciocínio guiado por evidências visuais, utilizando um pipeline de geração de dados automatizado e uma estratégia de otimização iterativa baseada em pontuação.
O artigo propõe o modelo PR-ACL, que utiliza Aprendizado Contrastivo de Anomalia Aumentada e um paradigma de prever-e-verificar com Blocos de Raciocínio de Anomalia Preditiva para superar os desafios de raciocínio visual em relações composicionais, demonstrando desempenho superior em conjuntos de dados como SVRT, CVR e MCR.
O artigo apresenta o TCD-Net, uma rede baseada em Vision Transformers que utiliza intervenções causais guiadas por um modelo de IA para desentrelaçar ortogonalmente conteúdo e ruído, superando correlações espúrias e alcançando alta fidelidade e eficiência em tarefas de remoção de ruído.
O ArtLLM é um novo framework baseado em um modelo de linguagem multimodal 3D que gera ativos articulados de alta qualidade diretamente de malhas 3D completas, superando métodos existentes ao prever autoregressivamente a estrutura cinemática e sintetizar geometrias de partes, demonstrando alta precisão e generalização para aplicações em robótica e simulação.
O artigo propõe o TC-SSA, um framework de aprendizado que comprime tokens de imagens patológicas gigapixels em slots semânticos fixos via agregação inteligente, superando as limitações de amostragem espacial e alcançando desempenho diagnóstico superior com apenas 1,7% dos tokens originais.
O artigo apresenta o ConVibNet, um framework em tempo real que utiliza dependências temporais e uma nova função de perda para melhorar a detecção contínua e precisa de agulhas em imagens de ultrassom, superando os limites de visibilidade e os métodos existentes.
O D-REX é um motor diferenciável que utiliza representações de Gaussian Splat para identificar a massa de objetos a partir de observações visuais do mundo real e sinais de controle robótico, permitindo a criação de gêmeos digitais de alta fidelidade e o aprendizado simultâneo de políticas de preensão dextrosa que reduzem significativamente a lacuna entre simulação e realidade.
O artigo apresenta o GRAD-Former, um novo framework de detecção de mudanças em imagens de satélite que supera os modelos existentes em precisão e eficiência ao utilizar um mecanismo de atenção diferencial e gating para capturar contextos globais e locais com menos parâmetros.
O artigo apresenta o BeautyGRPO, um framework de aprendizado por reforço que alinha o retoque facial às preferências estéticas humanas por meio de um modelo de recompensa treinado no conjunto de dados FRPref-10K e de uma nova técnica chamada Dynamic Path Guidance, que equilibra a exploração estocástica com a preservação da fidelidade e identidade facial.
O artigo apresenta o FREE-Edit, um método zero-shot para edição de vídeo baseada em imagem que utiliza modelos de Rectified Flow e uma nova técnica de injeção "Editing-aware" (REE) para modular dinamicamente a intensidade da injeção de características, garantindo a preservação do movimento e da estrutura da fonte enquanto aplica edições apenas nas áreas relevantes.
O artigo apresenta o TripleSumm, uma arquitetura inovadora que funde adaptativamente modalidades visuais, textuais e auditivas ao nível de quadro para sumarização de vídeo, e introduz o MoSu, o primeiro benchmark em larga escala com essas três modalidades, demonstrando desempenho superior ao estado da arte.
O artigo apresenta o VP-Hype, um novo framework híbrido que combina a eficiência linear dos modelos de espaço de estado (Mamba) com a modelagem relacional de Transformers e prompts visuais-textuais, alcançando desempenho superior na classificação de imagens hiperespectrais mesmo com extrema escassez de dados rotulados.
O artigo apresenta o RnG, um Transformer feed-forward unificado que supera as limitações de modelos de reconstrução 3D ao inferir estruturas completas a partir de observações parciais, combinando reconstrução precisa de geometria visível com a geração coerente de geometria não observada para renderização em tempo real de novas vistas.
O artigo propõe o VisNec, um framework de seleção de dados que mede a necessidade visual para identificar e priorizar amostras críticas em tarefas de ajuste instrucional multimodal, demonstrando que treinar com apenas uma fração dos dados selecionados pode igualar ou superar o desempenho obtido com conjuntos de dados completos.
O artigo apresenta o CoSMo3D, um método inovador que alcança a segmentação semântica de partes 3D em mundo aberto e com prompts ao induzir um quadro de referência canônico latente via alinhamento guiado por LLM, permitindo que o modelo interprete partes funcionais independentemente da pose de entrada e estabelecendo um novo estado da arte.
Este trabalho apresenta um modelo de Linguagem e Visão (VLM) ajustado para estimar a posição 3D de objetos a partir de imagens monoculares em robótica colaborativa, alcançando uma precisão mediana de 13 mm e melhorando significativamente o desempenho em relação a baselines não ajustados.
Este artigo apresenta o SafeEditBench, um novo benchmark para avaliar a generalização de modelos de linguagem e visão (VLMs) sob diferentes políticas de segurança, e propõe o SafeGuard-VL, um método baseado em aprendizado por reforço com recompensas verificáveis para criar guardrails de imagem adaptáveis e robustos a políticas em evolução.
O artigo "AgilePruner" apresenta um estudo empírico que revela as limitações dos métodos de poda de tokens visuais baseados apenas em atenção ou diversidade, propondo uma estratégia adaptativa que ajusta dinamicamente a poda conforme a complexidade da imagem para melhorar a eficiência e reduzir alucinações em Modelos Grandes Visuais-Linguísticos (LVLMs).
O desafio MAMA-MIA estabeleceu um benchmark de grande escala com dados de múltiplos centros para avaliar e promover o desenvolvimento de sistemas de inteligência artificial mais generalizáveis e equitativos na segmentação de tumores e previsão de resposta ao tratamento em ressonância magnética mamária.