6943 artigos
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.
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.