5972 artigos
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.
Este trabalho propõe um método que incorpora uma modalidade de imagem complementar, como a tomografia computadorizada por raios-X, para guiar modelos de difusão na reconstrução de dados esparsos de tomografia por nêutrons sem a necessidade de retreinamento do modelo, melhorando significativamente a qualidade da imagem.
Este artigo apresenta um quadro unificado que integra a otimização de grafos de fatores com estimadores certificáveis, preservando a estrutura do grafo sob relaxações convexas para permitir a implementação de soluções globalmente ótimas utilizando bibliotecas e fluxos de trabalho existentes e maduros da robótica e visão computacional.
O artigo apresenta o FoSS, um novo framework de dupla ramificação que integra modelagem no domínio da frequência e estados espaciais seletivos para prever trajetórias em direção autônoma com alta precisão e incerteza multimodal, superando os métodos existentes ao reduzir significativamente a complexidade computacional e o número de parâmetros.
Este artigo propõe um novo quadro de aprendizado multi-tarefa para análise de ultrassom mamário que supera as limitações das abordagens convencionais através de uma interação bidirecional em múltiplos níveis entre os decodificadores e um mecanismo de coordenação adaptativa baseado em incerteza, resultando em segmentação de lesões e classificação de tecidos mais precisas e robustas.
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.