7463 artigos
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.
O GuardAlign é uma defesa sem treinamento para modelos de linguagem grandes multimodais que utiliza detecção de segurança aprimorada por transporte ótimo e calibração atenta cruzada para reduzir significativamente respostas inseguras sem comprometer a utilidade do modelo.
O artigo propõe o AIR, uma estrutura sem treinamento que mitiga alucinações em Modelos de Linguagem Multimodal ao reduzir a redundância de tokens visuais e reforçar seletivamente os patches mais alinhados com o estado oculto do modelo, melhorando assim a precisão sem comprometer as capacidades gerais.
Este artigo apresenta um framework unificado para a reconstrução 3D de alta fidelidade de roupas a partir de imagens monoculares e vídeos, combinando Padrões de Costura Implícitos com um modelo difusivo generativo para aprender prios de forma em espaço UV e garantir consistência temporal, superando métodos existentes na reconstrução de roupas justas e folgadas com detalhes geométricos realistas.
Este trabalho apresenta o Quant Experts (QE), um método de pós-treinamento para quantização de Modelos Visuais-Linguísticos que utiliza uma arquitetura de Mixture of Experts adaptativa e consciente de tokens para compensar erros de quantização de forma dinâmica, melhorando a precisão em modelos de 2B a 70B parâmetros sem necessidade de retreinamento completo.
Este artigo apresenta um quadro de verificação neurosimbólico que utiliza solvers SMT e bases de conhecimento clínico para auditar a consistência lógica de relatórios radiológicos gerados por modelos de visão e linguagem, eliminando alucinações e garantindo a validade dedutiva das conclusões diagnósticas.
O artigo apresenta o AgenticOCR, um paradigma de parseamento dinâmico e orientado a consultas que otimiza a recuperação aumentada por geração (RAG) multimodal ao extrair seletivamente apenas as regiões relevantes de documentos visuais complexos, superando as limitações do processamento de páginas inteiras e melhorando significativamente a eficiência e a precisão na compreensão de documentos longos.
Este artigo propõe uma estratégia de poda integrada e adaptativa combinada com primitivas de Diferença de Gaussianas 3D para reduzir significativamente o número de gaussianas em Splatting 3D, alcançando até 90% de compactação sem comprometer a qualidade visual.
O artigo propõe o TASOT, um método não supervisionado para segmentação temporal de fases e passos cirúrgicos que utiliza transporte ótimo multimodal combinando informações visuais e textuais, alcançando desempenho superior a métodos zero-shot existentes sem a necessidade de pré-treinamento massivo em dados cirúrgicos.
O artigo apresenta o HumanOrbit, um modelo de difusão de vídeo que gera vídeos de órbita 360° a partir de uma única imagem para criar visualizações multi-visuais geometricamente consistentes e preservar a identidade, permitindo a reconstrução de malhas 3D texturizadas com maior fidelidade e completude do que os métodos existentes.
O RAViT é um novo framework de classificação de imagens baseado em Vision Transformers que utiliza uma arquitetura multi-branch com diferentes resoluções e um mecanismo de saída antecipada para reduzir significativamente o custo computacional (aproximadamente 70% dos FLOPs) mantendo a precisão equivalente aos modelos clássicos.
Este artigo apresenta uma nova hierarquia de superpixels para imagens de alta dimensão que incorpora a estrutura do manifold de atributos durante a construção, permitindo uma exploração consistente e espacialmente coerente tanto no espaço da imagem quanto no espaço de atributos.
O artigo propõe o "Omnivorous Vision Encoder", um novo quadro de aprendizado que alinha representações de diferentes modalidades (como RGB e profundidade) em um espaço de características comum, preservando a semântica discriminativa de modelos fundacionais como o DINOv2 através de um processo de distilação e alinhamento cruzado.