7568 artigos
Este artigo demonstra que os Grandes Modelos Multimodais (LMMs), quando equipados com a capacidade de aprendizado em contexto e o método proposto CIRCLE para refinar exemplos, podem superar os modelos contrastivos tradicionais em tarefas de classificação tanto em cenários de mundo fechado quanto aberto, posicionando-se como classificadores unificados e flexíveis.
O artigo Skarimva demonstra que o uso de múltiplas câmeras para triangulação de esqueletos 3D mais precisos melhora significativamente o reconhecimento de ações baseado em esqueletos, sugerindo que a qualidade dos dados de entrada é um fator limitante e que configurações multi-visão devem se tornar o padrão em pesquisas futuras.
O artigo apresenta o GUIPruner, um framework sem treinamento que otimiza agentes de GUI de alta resolução ao eliminar redundâncias espaciais e temporais através de redimensionamento adaptativo e poda estruturada, alcançando aceleração significativa e redução de custos computacionais sem comprometer a precisão.
O artigo apresenta o RaWMPC, um framework unificado de controle preditivo baseado em modelo de mundo que, ao prever consequências e avaliar riscos explicitamente sem depender de demonstrações de especialistas, permite que veículos autônomos tomem decisões seguras e generalizáveis em cenários raros ou fora da distribuição dos dados de treinamento.
Este trabalho propõe um framework de privacidade diferencial baseado em wavelets que finetuna um modelo em coeficientes de baixa frequência para capturar estruturas globais sensíveis e utiliza um modelo de super-resolução público para adicionar detalhes de alta frequência, alcançando um melhor equilíbrio entre privacidade e qualidade na geração de imagens.
O artigo apresenta o LineGraph2Road, uma nova estrutura que melhora a extração de redes viárias a partir de imagens de satélite ao formular a previsão de conectividade como uma classificação binária em um grafo euclidiano esparsificado e aplicar um Transformer de Grafos sobre seu grafo de linhas para capturar dependências de longo alcance e topologias complexas, alcançando resultados state-of-the-art em métricas topológicas e de precisão.
O artigo apresenta o PGVMS, um quadro unificado guiado por prompts que supera desafios na coloração IHC virtual multiplexa ao empregar aprendizado semântico patológico, estratégias de aprendizado conscientes de proteínas e consistência de protótipos para gerar representações IHC precisas a partir de imagens H&E, mesmo utilizando apenas dados de treinamento uniplex.
Este artigo propõe o ART-STVG, uma arquitetura de Transformer autoregressiva com bancos de memória seletiva e um design de localização espacial-temporal em cascata, projetada para superar as limitações dos métodos existentes ao localizar alvos em vídeos longos e complexos de forma eficiente.
O artigo apresenta o ManifoldGD, uma abordagem de distilação de dados livre de treinamento que utiliza um guia hierárquico baseado em variedades latentes para sintetizar conjuntos de dados compactos e representativos com alta fidelidade e diversidade, superando métodos existentes sem a necessidade de re-treinamento de modelos.
O artigo apresenta o PRIMA, um quadro de trabalho inovador que integra conhecimento médico específico e alinhamento multimodal entre imagens e metadados clínicos para melhorar o diagnóstico médico, superando os métodos atuais sem exigir grandes volumes de dados ou recursos computacionais massivos.
O artigo propõe uma abordagem de adaptação em tempo de teste baseada em recuperação e poucos exemplos que combina características textuais e visuais para reduzir significativamente a lacuna de desempenho entre a segmentação zero-shot e a supervisionada, mantendo a capacidade de segmentação de vocabulário aberto.
O estudo demonstra que o viés de relato nos dados de treinamento de Modelos Visuais-Linguísticos impede o desenvolvimento de habilidades de raciocínio (como espacial, temporal, negação e contagem), mostrando que o aumento de escala não supera essa limitação e que a curadoria intencional de dados com informações tácitas é essencial para corrigi-la.
Este artigo aborda as lacunas na variabilidade de dados e na análise de parâmetros de câmeras de eventos, oferecendo uma compreensão profunda de como os parâmetros intrínsecos afetam a detecção de objetos e utilizando essas descobertas para desenvolver modelos downstream com robustez agnóstica ao sensor.
O artigo propõe o método PLADA, que reduz drasticamente o custo de transmissão de dados ao substituir o envio de imagens por apenas rótulos pseudo-rotulados de um conjunto de referência pré-carregado, permitindo que agentes treinem modelos locais com eficiência e alta precisão usando menos de 1 MB de dados.
O artigo apresenta o SeeThrough3D, um modelo de geração de imagens baseado em texto que utiliza uma representação de cena 3D oclusiva e transparente para permitir o controle preciso de layouts 3D e a síntese realista de oclusões entre objetos.
O artigo apresenta o VGG-T, um modelo de reconstrução 3D offline escalável que supera as limitações de custo computacional quadrático dos métodos existentes ao condensar a representação geométrica em um MLP de tamanho fixo via treinamento no momento do teste, permitindo uma reconstrução de grandes coleções de imagens com velocidade linear e alta precisão.
O artigo apresenta o MediX-R1, um framework de Aprendizado por Reforço que otimiza modelos de linguagem multimodais para gerar respostas médicas abertas e clinicamente fundamentadas, utilizando um sistema de recompensas composto e uma avaliação baseada em LLM para superar as limitações dos formatos de múltipla escolha tradicionais.
Este artigo apresenta um modelo de difusão que melhora a velocidade e a qualidade da geração de imagens ao reparametrizar o processo de difusão para permitir a resolução eficiente de EDOs de alta ordem e ao estimar simultaneamente a imagem original e o ruído para garantir atualizações mais estáveis.
Este trabalho propõe um algoritmo simples e interpretável para detecção de movimento em vídeo em tempo real, fundamentado na Decomposição de Modo Dinâmico (DMD), que correlaciona a evolução de características de vídeo com os autovalores resultantes da aplicação do método a segmentos de vídeo, demonstrando sua eficácia em cenários de segurança através de curvas ROC e validação cruzada.
Este artigo apresenta uma revisão abrangente e sistemática sobre o aprimoramento de imagens subaquáticas baseadas em aprendizado profundo, cobrindo modelos físicos, algoritmos recentes, uma avaliação comparativa justa em múltiplos benchmarks e direções futuras para a pesquisa na área.