6484 artigos
O artigo apresenta o GrapHist, um novo framework de aprendizado auto-supervisionado baseado em grafos para histopatologia que, ao modelar tecidos como grafos celulares heterofílicos, alcança desempenho competitivo em diversas tarefas com quatro vezes menos parâmetros que os modelos de visão tradicionais e supera modelos totalmente supervisionados na subtipagem de câncer.
O artigo propõe o DHVAE, um modelo baseado em difusão latente hierárquica e aprendizado contrastivo que, ao desentrelaçar o contexto global da interação e os padrões de movimento individuais, gera interações humanas em 3D com maior fidelidade, alinhamento semântico e plausibilidade física.
O artigo apresenta o M-Gaussian, um novo framework que adapta o 3D Gaussian Splatting para a reconstrução eficiente e de alta qualidade de volumes de MRI multi-faixa, superando as limitações de velocidade e anisotropia dos métodos existentes.
O artigo propõe um método de ajuste fino LoRA mecanicamente guiado que utiliza Autoencoders Esparsos para reduzir significativamente a inconsistência de respostas em modelos de visão e linguagem médica, diminuindo a taxa de inversão de respostas e a diferença de margem entre paráfrases sem comprometer a precisão clínica.
O artigo apresenta o ReMD, um quadro de difusão consistente com a física que utiliza correção de resíduos multigrid e uma base multi-wavelet para realizar super-resolução de fluidos com maior fidelidade espectral, menor divergência e em menos etapas de amostragem do que os métodos existentes.
Este artigo demonstra que modelos de difusão podem plagiar imagens protegidas por direitos autorais e burlar técnicas de marca d'água através de um método puramente baseado em gradientes, utilizando "âncoras e calços" para gerar réplicas sem necessidade de treinamento adicional.
Este artigo propõe uma arquitetura multiview para prever o progresso de atividades de manipulação robótica, superando as limitações de oclusão de câmeras únicas e demonstrando sua eficácia no Mobile ALOHA para permitir uma interação mais segura e eficiente com humanos.
O artigo apresenta o EfficientPosterGen, um framework de geração de pôsteres acadêmicos automatizados que supera as limitações dos modelos existentes ao utilizar recuperação de informações semanticamente conscientes, compressão de contexto baseada em visualização e detecção de violações de layout sem agentes, resultando em maior eficiência de tokens e confiabilidade no layout.
O artigo apresenta o BiCLIP, um framework inovador para segmentação de imagens médicas que utiliza fusão multimodal bidirecional e consistência de augmentação para superar os métodos atuais, garantindo alta precisão mesmo com dados escassos e na presença de degradações clínicas.
O artigo apresenta o FujiView, um framework de aprendizado multimodal com fusão tardia e um novo conjunto de dados que combinam imagens de webcams e dados meteorológicos para prever com alta precisão a visibilidade do Monte Fuji, estabelecendo um novo marco para a previsão de visibilidade cênica.
O artigo apresenta o FlowPortrait, um framework de aprendizado por reforço que utiliza modelos de linguagem multimodal para otimizar a geração de vídeos de retratos falantes a partir de áudio, resultando em sincronia labial superior, movimentos mais naturais e maior alinhamento com a percepção humana.
Este estudo propõe um modelo robusto de detecção de ervas daninhas em culturas de hortaliças, integrando um backbone DINOv3 pré-treinado com auto-supervisão à arquitetura YOLO26, o que resultou em ganhos significativos de precisão e generalização cruzada, mantendo desempenho em tempo real apesar do aumento de parâmetros.
O artigo apresenta o SKINOPATHY AI, uma aplicação web baseada em smartphones que utiliza visão computacional leve para realizar cinco módulos de rastreio oftalmológico explicáveis e privativos em ambientes com recursos limitados, demonstrando a viabilidade de triagem multi-sinal sem necessidade de inferência em nuvem ou hardware especializado.
O artigo apresenta o GazeXPErT, um conjunto de dados 4D de rastreamento ocular de especialistas em exames FDG-PET/CT oncológicos, projetado para aprimorar a interpretabilidade e o desempenho de modelos de IA através da integração de padrões de busca humana na detecção e localização de tumores.
Este artigo propõe um protocolo de avaliação que integra métricas de fronteira e análise de equidade entre subconjuntos de traços finos para demonstrar que, em cenários de desequilíbrio extremo na segmentação de lousas brancas, modelos aprendidos com funções de perda baseadas em sobreposição e resolução aumentada superam métodos clássicos ao oferecer maior confiabilidade nos casos mais difíceis, apesar de métricas de média favoráveis a estes últimos.
O artigo apresenta o ConFoThinking, um framework que aprimora a Resposta Visual a Perguntas (VQA) em Modelos de Linguagem Multimodais ao consolidar sinais de atenção dispersos em uma camada intermediária e utilizar dicas semânticas concisas para localizar e focar em regiões relevantes, superando as limitações de métodos anteriores baseados em ferramentas de ancoragem ou atenção fragmentada.
Este artigo aborda o "Paradoxo da Simplicidade" na IA generativa, propondo um framework de obediência hierárquica e o benchmark VIOLIN para avaliar e identificar as limitações dos modelos atuais na geração precisa de cores puras, apesar de sua capacidade em criar cenas complexas.
Este estudo demonstra que o uso de redes neurais convolucionais, especificamente o modelo EfficientNetB0 com aprendizado por transferência, permite classificar com alta precisão (94,5%) cinco espécies locais de oliveira cultivadas na Turquia a partir de imagens capturadas por câmera estéreo, oferecendo uma solução eficaz para identificação automática e controle de qualidade na agricultura.
O artigo descreve a criação do modelo de vídeo Summer-22B, detalhando os desafios de engenharia e as lições aprendidas ao escalar o treinamento para 50 milhões de clipes, com ênfase na curadoria de dados orientada por metadados, filtragem multiestágio e otimização com restrições geométricas.
O artigo propõe o ST-Lite, um framework de compressão de cache KV sem treinamento que, ao explorar a esparsidade uniforme e as dependências espaço-trajetória específicas de agentes de GUI, alcança uma aceleração de decodificação de 2,45x mantendo o desempenho com apenas 10-20% do orçamento de cache.