7477 artigos
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.
Este artigo apresenta o primeiro framework automatizado de auditoria multimodal para descoberta de fatias, projetado para detectar e explicar falhas sistemáticas em classificadores de imagens médicas, demonstrando sua eficácia no conjunto de dados MIMIC-CXR-JPG.
O artigo apresenta o UMPIRE, uma nova estrutura de quantificação de incerteza sem treinamento para Modelos de Linguagem Multimodal (MLLMs) que calcula o volume semântico ajustado à incoerência das respostas, superando as métricas existentes na detecção de erros e calibração de incerteza em diversas modalidades e cenários desafiadores.
O artigo apresenta o SenCache, um método de aceleração para modelos de difusão que utiliza uma política de cache dinâmica e sensível a perturbações para reduzir o custo computacional mantendo a qualidade visual superior em comparação com abordagens heurísticas existentes.
O artigo apresenta o MuViT, uma arquitetura de Transformer que integra observações de múltiplas resoluções em um sistema de coordenadas globais compartilhado, demonstrando melhorias consistentes em tarefas de análise de imagens de microscopia ao combinar contexto de campo amplo com detalhes de alta resolução.
O artigo apresenta um novo método que aprimora a compreensão espacial em modelos de geração de imagens, criando o conjunto de dados SpatialReward-Dataset e o modelo de recompensa SpatialScore para avaliar e otimizar, via aprendizado por reforço online, a precisão das relações espaciais complexas descritas em prompts de texto.
O artigo propõe o GTASR, um paradigma de treinamento leve baseado em Consistency Models que supera as limitações de deriva e desconexão geométrica em super-resolução de imagens do mundo real através de alinhamento de trajetória e retificação estrutural, permitindo geração de alta qualidade em um único passo com baixa latência.