7524 artigos
O artigo propõe o IV-tuning, um método de aprendizado por transferência eficiente em parâmetros que, ao congelar a maior parte dos pesos de modelos visuais pré-treinados e treinar apenas 3% dos parâmetros, supera os métodos atuais em diversas tarefas de fusão infravermelho-visível, oferecendo melhor generalização e eficiência computacional.
O artigo apresenta o MomentMix, uma técnica de aumento de dados que combina ForegroundMix e BackgroundMix, e um Decodificador Sensível ao Comprimento (Length-Aware Decoder) para melhorar a recuperação de momentos curtos em vídeos, superando os métodos baseados em DETR existentes em benchmarks como QVHighlights e TACoS.
Este trabalho apresenta o JOSH, um método de otimização que reconstrói simultaneamente o movimento humano e o ambiente 4D a partir de vídeos monoculares capturados no mundo real, utilizando restrições de contato humano-cenário para melhorar a precisão, além de propor o modelo JOSH3R, treinado com pseudo-rótulos derivados do JOSH para alcançar resultados superiores sem necessidade de otimização.
Este artigo demonstra que purificadores adversariais não baseados em difusão podem superar modelos de difusão em robustez e generalização, alcançando desempenho de ponta ao serem treinados no CIFAR-10 e testados diretamente no ImageNet sem dados adicionais.
Este trabalho apresenta o Dual-IPO, uma abordagem iterativa que otimiza simultaneamente e de forma recíproca modelos de recompensa e de geração de vídeo para alinhar a síntese às preferências humanas e melhorar a qualidade visual sem a necessidade de anotações manuais tediosas.
O artigo apresenta o RelaCtrl, um framework que otimiza a geração controlada em Diffusion Transformers ao adaptar a integração dos sinais de controle com base na relevância de cada camada e introduzir o Two-Dimensional Shuffle Mixer, alcançando desempenho superior com apenas 15% dos parâmetros e complexidade computacional do PixArt-delta.
Este trabalho apresenta o U-F²-CBM, um modelo de conceitos de gargalo não supervisionado, livre de rótulos e independente do CLIP, que converte qualquer classificador visual congelado em um modelo interpretável alinhando distribuições de classes visuais e textuais, superando o estado da arte em tarefas de classificação e legendagem de imagens.
O artigo apresenta o UniFuture, um modelo unificado de mundo 4D para direção autônoma que, por meio de esquemas de compartilhamento de latentes e interação multiescala, gera sequências futuras de imagens e mapas de profundidade geometricamente consistentes, superando modelos especializados em tarefas de geração e percepção.
Este artigo propõe o GmNet, uma rede leve que revisita os mecanismos de portão a partir de uma perspectiva de frequência para minimizar o viés de baixas frequências e melhorar a eficiência no aprendizado de dependências de longo alcance.
O artigo apresenta o ViT-Linearizer, um framework de destilação que transfere o conhecimento de modelos Vision Transformers para arquiteturas lineares e recursivas, como o Mamba, alcançando alta eficiência computacional e desempenho competitivo em tarefas de visão computacional.
O artigo apresenta o LAMM-ViT, um modelo Vision Transformer inovador que utiliza modulação de máscara consciente da camada e atenção guiada por regiões para detectar faces sintéticas com alta precisão e generalização superior às técnicas atuais.
Este artigo propõe um framework de detecção 3D robusto para nuvens de pontos comprimidas que utiliza previsão de refletância baseada em geometria e destilação de conhecimento para reconstruir informações de refletância descartadas, melhorando significativamente a precisão da detecção em cenários de banda limitada.
O artigo apresenta o BriGeS, um método eficiente que funde modelos de base geométrica e semântica por meio de um "Bridging Gate" e de uma técnica de escalonamento de temperatura para aprimorar a estimativa de profundidade monocular em cenas complexas, mantendo baixo custo de treinamento e alta capacidade de generalização.
O artigo propõe o "Sparse Imagination", um método que utiliza um modelo de mundo visual baseado em transformadores com atenção agrupada aleatória para reduzir o processamento de tokens durante a previsão futura, permitindo um planejamento mais eficiente e em tempo real em robótica sem comprometer a fidelidade do controle.
O artigo apresenta o LinGuinE, um framework PyTorch inovador que combina registro de imagens e segmentação guiada para realizar a segmentação volumétrica longitudinal de tumores e o rastreamento de lesões em múltiplos exames a partir de uma única interação do radiologista, alcançando desempenho superior ao estado da arte sem necessidade de treinamento em dados longitudinais.
Este artigo apresenta um novo framework baseado em Ponte de Schrödinger e difusão condicional guiada por feedback humano binário para tradução de imagens CBCT para MDCT, que suprime eficazmente artefatos de sombra e preserva detalhes anatômicos com alta fidelidade e apenas 10 passos de amostragem.
Este artigo propõe uma abordagem baseada em causalidade que substitui a suposição de independência e distribuição idêntica (i.i.d.) pela de permutabilidade para gerenciar deslocamentos de distribuição em dados agrupados, resultando em desempenho superior de segmentação de imagens médicas escassas em cinco conjuntos de dados, incluindo um novo conjunto de ultrassom.
O artigo apresenta o LayerT2V, um framework unificado de geração de vídeo que, aproveitando a alta compressão de backbones recentes e um novo dataset chamado VidLayer, produz em uma única inferência vídeos completos com camadas de fundo e múltiplos objetos em primeiro plano com máscaras alfa, garantindo consistência semântica e temporal superior para fluxos de trabalho profissionais.
O artigo apresenta o RAP, um quadro unificado que utiliza um mecanismo de atenção híbrido e um paradigma de treinamento-inferência estático-dinâmico para gerar vídeos realistas de rostos falantes a partir de áudio e uma única imagem, alcançando desempenho de ponta com restrições de tempo real.
O artigo apresenta o MixCache, um framework de inferência sem treinamento para modelos de difusão de vídeo baseados em Transformer que acelera significativamente a geração de vídeo ao combinar estratégias de cache de múltiplas granularidades com decisões adaptativas e acionamento baseado em contexto, superando os métodos existentes em velocidade e qualidade.