5943 artigos
Este estudo demonstra que o Aprendizado por Reforço (RL) otimiza principalmente a distribuição de saída e a eficiência de amostragem em Modelos Visuais-Linguísticos médicos quando já existe um suporte significativo induzido pelo Ajuste Fino Supervisionado (SFT), propondo uma estratégia de treinamento que combina SFT e RL para alcançar alto desempenho em benchmarks de VQA médica.
O artigo apresenta o AG-VAS, um novo framework de segmentação de anomalias visuais zero-shot que expande o vocabulário de Modelos Multimodais Grandes com tokens âncora semânticos e um módulo de alinhamento para superar limitações na localização precisa de anomalias, alcançando desempenho superior em diversos benchmarks industriais e médicos.
Este trabalho apresenta uma avaliação comparativa entre métodos de aprendizado supervisionado e modelos de visão de vocabulário aberto para a compreensão de cenas pós-desastre, concluindo que, embora os modelos de vocabulário aberto ofereçam flexibilidade, o aprendizado supervisionado permanece a abordagem mais confiável para a segmentação e detecção precisas em cenários complexos e com objetos pequenos.
O artigo apresenta o NVB-Face, um método inovador de estágio único que gera imagens de faces consistentes sob novos ângulos diretamente a partir de uma única imagem facial degradada, superando as limitações das abordagens tradicionais de dois estágios ao extrair características diretamente da imagem cega e utilizá-las em um modelo de difusão para criar representações latentes 3D.
O artigo propõe o PEFD, um quadro de ajuste fino equivariante a perspectiva que permite a demosaicing espectral de alta fidelidade sem necessidade de dados de referência, explorando a geometria projetiva e adaptando modelos fundacionais pré-treinados para superar métodos clássicos e supervisionados em cenários como neurocirurgia e condução autônoma.
O MixerCSeg é uma arquitetura de mistura eficiente para segmentação de fissuras que integra vias locais, globais e sequenciais através de um TransMixer e mecanismos de borda direcionados, alcançando desempenho de última geração com baixo custo computacional.
O artigo apresenta o TIMI, uma nova abordagem sem necessidade de treinamento para a geração multi-instância de imagens em 3D que, através dos módulos ISG e SGU, alcança alta fidelidade espacial e desentrelaçamento de instâncias sem a sobrecarga de ajuste fino.
O artigo propõe o método AOT (Token Anchors via Local and Global Optimal Transport), uma abordagem sem treinamento que otimiza a eficiência dos Modelos de Linguagem Grande para Vídeo ao reduzir tokens redundantes agregando contextos locais e globais através de transporte ótimo, preservando assim a fidelidade visual e temporal em benchmarks de vídeos curtos e longos.
O artigo apresenta o UniTalking, um framework unificado de difusão de ponta a ponta que utiliza blocos de transformador multimodal para gerar retratos falantes de alta fidelidade com sincronização labial precisa e clonagem de voz personalizada, superando as abordagens de código aberto existentes.
O artigo apresenta o SeaVIS, o primeiro framework online para segmentação de instâncias áudio-visuais que supera as limitações dos métodos atuais ao utilizar fusão causal de atenção cruzada e aprendizado contrastivo guiado por áudio para associar e rastrear instâncias sonoras em fluxos de vídeo contínuos, garantindo precisão mesmo quando os objetos estão silenciosos.
O artigo apresenta o LinkVLA, uma nova arquitetura para direção autônoma que unifica a compreensão e a geração de linguagem e ação através de um código compartilhado e de uma tarefa auxiliar de entendimento, resultando em maior alinhamento semântico e uma redução de 86% no tempo de inferência graças a um método de geração de duas etapas.
Este estudo demonstra que a utilidade da mistura global de tokens em restauração de MRI é dependente da tarefa, sendo menos vantajosa em reconstrução acelerada e super-resolução devido às restrições físicas e de dados, mas superior em tarefas de remoção de ruído heterocedástico que exigem estimativa espacial de confiabilidade.
Este artigo apresenta o Deepfake Forensics Adapter (DFA), uma rede de duplo fluxo inovadora que integra um modelo CLIP pré-treinado com adaptadores de características globais, um fluxo de anomalias locais e um classificador de fusão interativa para alcançar detecção generalizável e de ponta de deepfakes, superando métodos anteriores em benchmarks desafiadores como o DFDC.
O artigo apresenta o VidDoS, um ataque universal de negação de serviço que explora mecanismos de agregação temporal em Modelos de Linguagem de Vídeo (Video-LLMs) para induzir uma expansão de tokens e latência de inferência massivas, comprometendo aplicações críticas como a condução autónoma.
O artigo apresenta o MM-Mem, uma arquitetura de memória multimodal piramidal inspirada na Teoria do Rastro Fuzzy e otimizada via um gargalo de informação semântica, que distila progressivamente detalhes perceptivos em esquemas semânticos para superar as limitações de janelas de contexto e mecanismos estáticos em agentes de vídeo de longo horizonte.
O artigo apresenta o UltraStar, um modelo inovador que utiliza um grafo estrela semântico para transformar a navegação de sondas em ecocardiografia de uma regressão de trajetória ruidosa para uma localização global baseada em âncoras, superando as limitações dos métodos existentes ao modelar eficientemente o histórico de exploração e melhorar a precisão em sequências longas.
O artigo apresenta o WildCross, um novo benchmark de grande escala que preenche a lacuna de dados em ambientes naturais não estruturados ao fornecer mais de 476 mil quadros RGB com anotações de profundidade métrica e poses 6DoF sincronizadas com mapas LiDAR, visando impulsionar pesquisas em reconhecimento de lugares e estimativa de profundidade para robótica.
Este artigo apresenta o SCATR, um novo modelo de rastreamento baseado em atenção para LiDAR que utiliza as estratégias de treinamento "Second Chance Assignment" e "Track Query Dropout" para mitigar a supressão de novas instâncias, alcançando desempenho superior ao estado da arte e fechando a lacuna de performance entre os métodos de rastreamento baseados em atenção e detecção.
O artigo apresenta o ATA, uma nova estrutura de raciocínio implícito e livre de treinamento que aprimora a eficiência e o desempenho dos modelos Visão-Linguagem-Ação ao integrar mapas de atenção e regiões de interesse baseadas em ações, eliminando a necessidade de anotações adicionais ou retreinamento.
O artigo apresenta o RadioGS, um novo framework de renderização inversa baseado em surfels gaussianos que utiliza consistência radiométrica para superar as limitações na modelagem de iluminação indireta e permite reluzimento eficiente em novos cenários.