7076 artigos
Este artigo apresenta o DLEBench, o primeiro benchmark dedicado a avaliar a capacidade de modelos de edição de imagem baseados em instruções na manipulação de objetos em pequena escala, introduzindo um conjunto de dados desafiador e um protocolo de avaliação robusto que revela lacunas significativas de desempenho nessa tarefa.
O artigo apresenta o BuildAnyPoint, um novo framework generativo que utiliza um Transformer de Difusão em Cascata Frouxa (Loca-DiT) e geração autoregressiva para realizar a reconstrução estruturada de edifícios 3D a partir de nuvens de pontos diversas e esparsas, superando os métodos anteriores em precisão e uniformidade.
Este artigo apresenta o Semantically Decoupled Latent Steering (SDLS), um método de controle sem treinamento que utiliza decomposição semântica e ortogonalização baseada em QR para suprir alucinações de comparação prévia na geração de laudos radiológicos, melhorando a fidelidade clínica sem comprometer a integridade narrativa.
O artigo apresenta o VL-WS, um novo framework de segmentação semântica que alinha visão e linguagem para superar as limitações de generalização em ambientes agrícolas heterogêneos, alcançando desempenho superior na distinção entre culturas e ervas daninhas em múltiplos domínios e condições de sensoriamento.
O artigo apresenta o rs-embed, uma biblioteca Python que unifica o acesso a embeddings de modelos fundamentais de sensoriamento remoto, permitindo a extração sob demanda de dados para qualquer local e período com uma única linha de código, superando assim as barreiras de heterogeneidade e facilitando comparações justas e processamento em larga escala.
O HiDrop é um framework inovador para Multimodal Large Language Models (MLLMs) que reduz em cerca de 90% os tokens visuais e acelera o treinamento em 1,72 vezes, alinhando a poda dinâmica de tokens à função hierárquica das camadas do modelo por meio de injeção tardia, poda piramidal côncava e saída antecipada, sem comprometer o desempenho.
Este artigo apresenta um sistema de navegação indoor confiável para humanos que utiliza realidade aumentada com Vuforia e o algoritmo A* sobre NavMesh para oferecer direções intuitivas e em tempo real, demonstrando maior precisão e eficiência em comparação com métodos tradicionais.
O artigo apresenta o EgoGraph, uma estrutura de construção dinâmica e sem treinamento de grafos de conhecimento que supera as limitações dos modelos atuais ao permitir o raciocínio temporal de longo prazo e a compreensão semântica coerente em vídeos egocêntricos ultra-longos que abrangem múltiplos dias.
Este trabalho introduz o VGUBench para demonstrar que, embora os Modelos de Linguagem Multimodal Unificados (U-MLLMs) apresentem raciocínio textual robusto e fidelidade de renderização, eles falham em manter a equivalência semântica ao gerar respostas visuais, revelando uma ruptura na alinhamento semântico entre modalidades em vez de uma deficiência na capacidade de geração.
O artigo apresenta o StemVLA, um modelo de visão-linguagem-ação de código aberto que melhora a manipulação robótica ao integrar explicitamente conhecimento geométrico 3D futuro e representações históricas 4D para aprimorar o raciocínio espacial e a tomada de decisão de longo prazo.
Este artigo propõe um novo método de diferença-em-diferença que utiliza a segunda ordem da diferença de erro de reconstrução para reduzir a variância e melhorar a precisão na detecção de imagens geradas por IA, superando as limitações dos detectores existentes baseados apenas no erro de reconstrução.
O UTPTrack é um novo framework unificado de poda de tokens que, ao comprimir conjuntamente as regiões de busca e os modelos estáticos e dinâmicos por meio de uma estratégia guiada por atenção, alcança um estado da arte em eficiência e precisão para rastreamento visual em tempo real, mantendo ou até superando o desempenho de base enquanto reduz significativamente o custo computacional.
O artigo apresenta o U-Mind, um sistema unificado pioneiro que permite a interação multimodal em tempo real com geração integrada de linguagem, fala, movimento e vídeo, superando desafios de alinhamento e raciocínio através de uma estratégia de sincronização segmentada e aprendizado por ensaio.
Este estudo investiga as diferenças comportamentais entre humanos e Modelos Visuais-Linguísticos na resolução de ambiguidades em caracteres japoneses, demonstrando que, embora as fronteiras de decisão difiram em tarefas baseadas apenas na forma, o contexto pode melhorar a alinhamento em certas condições.
O artigo apresenta o CausalProto, uma Rede Prototípica Causal Não Supervisionada que utiliza um Modelo Causal Estrutural e um gargalo de informação para desconectar características patológicas de confusores ambientais em imagens de dermatoscopia, permitindo diagnósticos mais precisos, interpretáveis e livres de viés sem comprometer a acurácia.
O artigo apresenta a NIST (Neural Image-Space Tessellation), uma técnica de pós-processamento leve baseada em redes neurais que simula o efeito visual de tesselação geométrica em tempo real deformando contornos na tela e reatribuindo informações de aparência, alcançando silhuetas suaves e fiéis sem depender da complexidade geométrica original.
O artigo apresenta o Selfment, um framework totalmente auto-supervisionado que segmenta objetos em imagens brutas sem anotações manuais ou pós-processamento, alcançando novos recordes de desempenho em benchmarks de detecção de saliência e demonstrando notável generalização zero-shot em tarefas de detecção de objetos camuflados.
O artigo apresenta o OPTIAGENT, um quadro de trabalho agênico baseado em LLMs que, ao utilizar um conjunto de dados especializado, otimização de política orientada por recompensas físicas e integração com rotinas de otimização óptica, permite que usuários sem formação especializada projetem sistemas de lentes funcionais com desempenho superior aos métodos tradicionais.
O artigo apresenta o VideoPulse, um novo conjunto de dados e uma pipeline de aprendizado profundo que permitem a estimativa precisa da frequência cardíaca e da saturação de oxigênio (SpO2) em neonatos a partir de vídeos faciais sem contato, oferecendo uma solução não invasiva e de baixo custo para monitoramento em unidades de terapia intensiva neonatal.
Este artigo apresenta um novo framework que adapta o modelo de fundação DINOv3 com componentes específicos para 3D, permitindo a segmentação robusta de vasos sanguíneos em cenários de poucos dados e com alta resistência a mudanças de domínio, superando significativamente os métodos atuais como o nnU-Net.