7537 artigos
O artigo apresenta o TextPecker, uma estratégia de aprendizado por reforço que utiliza um conjunto de dados com anotações de anomalias estruturais e um motor de síntese de edição de traços para superar as limitações dos modelos atuais na avaliação e otimização da renderização de texto visual, alcançando novos patamares de fidelidade estrutural e alinhamento semântico.
O artigo apresenta o NORD, um modelo de Visão-Linguagem-Ação eficiente em dados que alcança desempenho competitivo na condução autônoma utilizando menos de 60% dos dados de treinamento e sem anotações de raciocínio, superando as limitações do GRPO padrão através da implementação do algoritmo Dr. GRPO para mitigar o viés de dificuldade.
O artigo propõe a Durian, uma normalização de grupo consciente da dificuldade que reorganiza amostras multimodais com base na complexidade perceptiva e incerteza de raciocínio para mitigar a instabilidade causada por recompensas extremas e melhorar o desempenho de modelos de linguagem multimodal.
O artigo apresenta o EndoDDC, um método inovador que utiliza modelos de difusão para integrar imagens, profundidade esparsa e características de gradiente, permitindo a reconstrução precisa de mapas de profundidade densos em ambientes endoscópicos complexos e superando as limitações de técnicas existentes relacionadas a texturas fracas e reflexos de luz.
O artigo propõe o CoLoGen, um quadro unificado de difusão que resolve o conflito de representações entre conceitos e localização por meio de uma aprendizagem progressiva e de um módulo de tecelagem de representações, permitindo a geração de imagens de alta qualidade sob diversas condições visuais.
O artigo apresenta o Solaris, um modelo de mundo de vídeo multijogador treinado em um novo sistema de coleta de dados automatizado para Minecraft, que supera as limitações de perspectivas únicas ao simular observações multiview consistentes e interações entre múltiplos agentes através de uma pipeline de treinamento inovadora.
Este artigo apresenta um framework de pré-filtragem adaptativa que otimiza a busca por similaridade em alta dimensão ao alocar dinamicamente orçamentos computacionais com base em padrões de frequência de consultas e métricas de coerência de clusters, reduzindo significativamente o número de cálculos de distância sem comprometer a precisão ou a latência.
O artigo apresenta o CrossLLM-Mamba, um novo framework que utiliza codificadores Mamba bidirecionais para reformular a previsão de interações de RNA como um problema de alinhamento de espaço de estados, alcançando desempenho superior ao estado da arte na previsão de interações RNA-proteína, RNA-pequenas moléculas e RNA-RNA com complexidade computacional linear.
Este artigo demonstra que a introdução de novas funções de perda robustas durante o treinamento de modelos específicos para tarefas, utilizando características de modelos fundamentais em histopatologia, reduz a sensibilidade à variabilidade técnica e melhora a precisão, permitindo a aplicação clínica desses sistemas em dados do mundo real sem a necessidade de re-treinar os modelos fundamentais.
Este artigo propõe o MNAS-Unet, um novo framework de segmentação de imagens médicas que integra a Busca de Arquitetura Neural com Monte Carlo Tree Search para otimizar dinamicamente a arquitetura, resultando em um modelo leve e preciso que supera os métodos existentes com maior eficiência de busca e menor consumo de recursos.
O artigo apresenta o AeroDGS, um framework de *Gaussian Splatting* 4D guiado por física que supera as ambiguidades da reconstrução aérea monocular ao integrar módulos de elevação geométrica e otimização com priores físicos, alcançando resultados superiores em cenários dinâmicos reais e sintéticos.
Este estudo apresenta um framework de aprendizado profundo com uma função de perda de atenção focada no órgão (OFA) que prevê a malignidade de tumores renais em imagens de TC 3D sem a necessidade de segmentação manual, alcançando desempenho superior aos modelos tradicionais e oferecendo uma abordagem mais eficiente para o diagnóstico clínico.
Este artigo identifica que os artefatos nos Vision Transformers (ViTs) decorrem de um comportamento de agregação preguiçosa, onde o modelo utiliza patches de fundo semanticamente irrelevantes como atalhos, e propõe uma solução que integra seletivamente as características dos patches ao token CLS para mitigar esse problema e melhorar o desempenho em diversos benchmarks e paradigmas de supervisão.
O artigo apresenta o MolFM-Lite, um modelo de aprendizado de máquina multimodal que integra representações 1D, 2D e 3D de moléculas através de mecanismos de atenção cruzada e ensembles de conformeros para prever propriedades moleculares com maior precisão do que abordagens unimodais.
O artigo apresenta o SimpleOCR, uma estratégia de treinamento plug-and-play que utiliza perguntas visualizadas para forçar modelos de linguagem multimodal a processar texto diretamente nas imagens, superando a "preguiça modal" e melhorando significativamente o desempenho em tarefas de OCR sem necessidade de modificações arquiteturais.
Este artigo investiga a viabilidade de usar Modelos de Linguagem Multimodal (MLLMs) em dispositivos de borda para responder perguntas sobre memória episódica em tempo real, demonstrando que uma configuração local com GPU de consumo atinge 51,76% de precisão com baixa latência, oferecendo uma alternativa privada e competitiva às soluções baseadas em nuvem.
O artigo apresenta o MammoWise, um pipeline local e reprodutível que utiliza modelos de linguagem visão (VLMs) de código aberto, aprimorados por técnicas como RAG e fine-tuning (QLoRA), para gerar relatórios de mamografia e realizar classificações médicas precisas, oferecendo uma alternativa privada e adaptável aos sistemas em nuvem.
Este artigo propõe o SSPT, uma abordagem de pós-treinamento que integra conhecimento de sintaxe espacial em modelos generativos de plantas residenciais através de um oráculo não diferenciável e técnicas de aprendizado por reforço, resultando em layouts com hierarquia funcional mais clara e domínio superior de espaços públicos.
O artigo apresenta o Pix2Key, um método de recuperação de imagens composta que utiliza dicionários visuais de vocabulário aberto e aprendizado auto-supervisionado para melhorar a correspondência de intenções e a diversidade dos resultados, superando as abordagens supervisionadas e zero-shot existentes.
Este artigo apresenta o HARU-Net, uma nova arquitetura de rede neural baseada em atenção híbrida e blocos residuais que supera os métodos atuais na remoção de ruído de imagens de tomografia computadorizada de feixe cônico (CBCT) de baixa dose, preservando bordas anatômicas com alta fidelidade e menor custo computacional.