6021 artigos
O artigo apresenta o MM-DeepResearch, um agente de pesquisa multimodal que supera desafios como a escassez de dados e os custos de treinamento ao combinar a geração de dados via Hyper-Search, a otimização de especialistas em ferramentas de busca com DR-TTS e um mecanismo de aprendizado por reforço offline, resultando em um sistema capaz de raciocínio explícito e síntese de informações cruzadas.
O artigo propõe o framework ELF-VLA, que supera as limitações de exploração dos modelos VLA em direção autônoma ao incorporar feedback diagnóstico explícito sobre falhas, permitindo refinamentos guiados que alcançam desempenho de ponta no benchmark NAVSIM.
O artigo apresenta o LLaDA-o, um modelo de difusão omni multimodal eficiente e adaptável ao comprimento, baseado em um framework de Mistura de Difusão (MoD) que alcança desempenho de ponta na compreensão e geração multimodal.
O artigo apresenta o SHIELD8-UAV, um acelerador de hardware 8-bit sequencial e de baixo consumo que utiliza uma CNN 1D com quantização adaptativa e poda estruturada para realizar detecção acústica e rastreamento de drones em tempo real com alta eficiência energética e precisão em plataformas de borda.
O artigo apresenta o A3Point, um novo framework de aprendizado latente adaptativo que melhora a robustez da segmentação semântica de nuvens de pontos LiDAR em condições climáticas adversas, mitigando a mudança semântica através da localização de regiões de deslocamento e do aprendizado de confusão semântica para otimizar o uso de diversas ampliações de dados.
Este artigo apresenta o MCMR, um novo benchmark em larga escala para avaliação de recuperação multimodal de alta granularidade sob múltiplas condições interdependentes, demonstrando que os rerankers baseados em MLLM melhoram significativamente a correspondência ao verificar explicitamente a consistência entre consultas e candidatos.
Este trabalho apresenta o AesEval-Bench, um benchmark abrangente e um conjunto de dados para avaliar e aprimorar a capacidade de Modelos de Visão e Linguagem (VLMs) em julgar a estética do design gráfico, superando as limitações de estudos anteriores através de uma avaliação sistemática e de um framework de treinamento inovador.
O artigo apresenta o V-SONAR, um espaço de incorporação unificado de visão e linguagem que alinha codificadores visuais ao espaço SONAR existente, permitindo que modelos como o V-LCM superem os modelos state-of-the-art em tarefas multilíngues e multimodais, como legendagem de vídeo e compreensão de conceitos visuais, especialmente em idiomas de recursos limitados.
Este artigo apresenta o DP-RGMI, um novo framework que analisa a perda de utilidade na privacidade diferencial para imagens médicas ao decompor o desempenho em geometria da representação e utilização da tarefa, revelando que a privacidade altera a anisotropia das representações e cria uma lacuna de utilização mesmo quando a separabilidade linear é preservada.
O artigo apresenta o StrokeDiff, um framework baseado em modelos de difusão com Regularização Suave (SmR) que permite a geração eficiente de pinceladas realistas para pinturas a óleo a partir de um conjunto de dados limitado, oferecendo ao mesmo tempo controle estruturado e integração em um pipeline completo de criação artística.
O artigo apresenta o "Egocentric Co-Pilot", um agente de óculos inteligentes baseado em uma estrutura neuro-simbólica nativa da web que combina modelos de linguagem, raciocínio temporal e compressão de contexto para fornecer assistência contínua e acessível em tempo real, demonstrando superioridade em tarefas de perguntas e respostas egocêntricas e satisfação do usuário em comparação com soluções comerciais.
O artigo apresenta o GroundedSurg, o primeiro benchmark de referência linguística para segmentação de instrumentos cirúrgicos em nível de instância, que avalia a capacidade de modelos de visão e linguagem de localizar ferramentas específicas com base em descrições naturais e relações espaciais em diversos cenários cirúrgicos.
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.