7083 artigos
Este artigo propõe um novo framework de estimativa de transferibilidade baseado em topologia, composto por divergência global de representação, consistência topológica local e fusão adaptativa, que supera significativamente os métodos existentes ao permitir a seleção eficiente e sem treinamento de modelos fundamentais médicos para tarefas de segmentação.
O artigo propõe o GPU-SDF, um novo framework de reconstrução neural para ambientes internos que supera as limitações de detalhes finos ao estimar explicitamente a incerteza dos priores geométricos e aplicar restrições complementares para refinar a superfície sem descartar informações úteis.
Este trabalho propõe o STE-VLN, uma abordagem que aprimora a navegação visão-linguagem em ambientes não vistos ao integrar o YE-KG, um novo grafo de conhecimento espaço-temporal multimodal derivado de vídeos reais, permitindo que agentes recuperem sequências de eventos causais para resolver instruções vagas e tarefas de longo horizonte com maior eficácia.
O artigo apresenta o PointCoT, um novo framework e benchmark de grande escala que aprimora o raciocínio geométrico 3D em Modelos de Linguagem Multimodal ao adotar um paradigma explícito de "observar, pensar e responder" com cadeias de raciocínio fundamentadas em dados, superando assim as alucinações geométricas comuns em abordagens anteriores.
Este artigo propõe uma rede de extração de características de microexpressões baseada em dois ramos com atenção paralela e fusão adaptativa, que supera os métodos existentes ao atingir 74,67% de precisão no conjunto de dados CASME II.
O artigo apresenta o CC-VQA, um método inovador e sem necessidade de treinamento para a Resposta Visual a Perguntas Baseada em Conhecimento (KB-VQA) que mitiga conflitos de conhecimento através da análise visual-semantic e da codificação guiada por correlação, alcançando desempenho superior em benchmarks como E-VQA, InfoSeek e OK-VQA.
Este estudo apresenta o GDA-YOLO11, um novo modelo de segmentação amodal que melhora a robustez à oclusão e a precisão na colheita robótica de frutas, alcançando taxas de sucesso superiores em cenários com diferentes níveis de oclusão em citrinos.
O SwitchCraft é uma abordagem sem treinamento que melhora a geração de vídeos com múltiplos eventos ao utilizar o direcionamento de consultas alinhado a eventos (EAQS) e um solucionador de força de equilíbrio automático (ABSS) para garantir a clareza narrativa e a consistência temporal.
Este artigo apresenta o NV-CoT, um novo framework que permite que modelos de linguagem multimodal realizem raciocínio visual por meio da geração direta de coordenadas numéricas contínuas, superando as limitações de métodos baseados em texto ou patches fixos e demonstrando melhorias significativas em precisão de localização, acurácia e velocidade de convergência.
Este artigo apresenta um framework de segmentação de AVC isquêmico e pontuação ASPECTS em TC não contrastada que integra representações de modelos foundation com uma perda de porta consciente do território (TAGL) para impor consistência anatômica entre os níveis basais e supraganglionares, resultando em desempenho superior sem aumentar a complexidade na inferência.
O artigo propõe uma estratégia de segmentação volumétrica que estende representações 2D congeladas do DINOv3 para a segmentação de estruturas do cérebro neonatal em 3D, utilizando um mecanismo estruturado de desmontagem e remontagem baseada em janelas que alcança um escore Dice de 0,65 no conjunto de dados ALBERT.
O artigo apresenta o SpikeTrack, um framework inovador de redes neurais de pulso (SNN) que utiliza um design assimétrico e um módulo de recuperação de memória para alcançar rastreamento visual RGB com precisão de ponta e eficiência energética superior, superando trackers baseados em ANN como o TransT com uma fração do consumo de energia.
O artigo apresenta o MSVBench, o primeiro benchmark abrangente para avaliação de geração de vídeos multi-cena, que utiliza um framework híbrido de modelos multimodais e especialistas para demonstrar que os métodos atuais carecem de coerência narrativa e oferece um sinal supervisionado escalável para alinhar o desempenho dos modelos com julgamentos humanos.
O artigo apresenta o Venus, um novo framework e conjunto de dados (AesGuide) que capacita Modelos de Linguagem Multimodais a fornecer orientação estética acionável e realizar recortes estéticos otimizados, superando as limitações atuais dos modelos existentes na identificação de problemas e no refinamento de composições fotográficas.
O artigo apresenta o MINT, um framework inovador de transferência de conhecimento que alinha representações de fala a um espaço de biomarcadores neurais derivados de ressonância magnética durante o treinamento, permitindo a triagem precoce da doença de Alzheimer com a precisão de métodos multimodais, mas sem a necessidade de exames de imagem na fase de inferência.
O artigo apresenta o MIGM-Shortcut, um método que acelera a geração de imagens mascaradas em mais de 4x ao aprender um modelo leve que integra características anteriores e tokens amostrados para prever a evolução dinâmica dos recursos, superando as limitações de precisão de abordagens anteriores de cache.
Este artigo propõe um modelo de difusão latente ordinal para gerar imagens de fundo de olho que incorpora explicitamente a estrutura ordenada da progressão da retinopatia diabética, demonstrando superioridade em realismo visual e consistência clínica em comparação com modelos condicionais padrão.
Este trabalho apresenta o DeBiasLens, um framework interpretável e agnóstico a modelos que utiliza autoencoders esparsos para localizar e desativar seletivamente neurônios associados a atributos sociais em Modelos Visão-Linguagem, mitigando vieses sociais sem comprometer o conhecimento semântico.
O artigo apresenta o SR3R, um novo framework feed-forward que reformula a reconstrução 3D de super-resolução ao mapear diretamente vistas de baixa resolução esparsas para representações 3DGS de alta resolução, permitindo a aprendizagem autônoma de detalhes de alta frequência e uma generalização robusta em cenas não vistas, superando os métodos atuais de otimização por cena.
O artigo apresenta o SteerVAD, um novo framework que supera as limitações dos modelos de linguagem multimodal congelados na detecção de anomalias em vídeos ao identificar e ativamente corrigir representações latentes específicas por meio de um controlador hierárquico, alcançando desempenho superior com apenas 1% dos dados de treinamento.