7683 artigos
O artigo propõe o TranX-Adapter, um adaptador leve que supera a diluição de atenção ao fundir características de artefatos e semânticas em Modelos Grandes de Linguagem Multimodal (MLLMs) para detecção robusta de imagens geradas por IA, alcançando melhorias significativas de até 6% na precisão.
O artigo apresenta o SigVLP, um modelo de pré-treinamento auto-supervisionado para volumes de tomografia computadorizada que utiliza Embeddings de Posição Rotacionais e alinhamento texto-volumento em nível de fatias para superar as limitações de tamanhos de entrada variáveis e melhorar a precisão da representação médica.
Este trabalho propõe uma nova abordagem de "Estrutura-para-Imagem" que utiliza a congruência de fase e restrições estruturais cruzadas para adaptar dados simulados a imagens reais de colonoscopia, permitindo uma estimativa de profundidade zero-shot com redução de 44,18% no erro quadrático médio em comparação com métodos existentes.
O artigo apresenta o LiREC-Net, uma rede de aprendizado baseada em aprendizado que realiza calibração sem alvos e conjunta para sensores LiDAR, RGB e de eventos, superando métodos existentes limitados a pares bi-modais ao estabelecer um novo padrão de referência para fusão tri-modal.
Este artigo propõe um novo framework de paralelismo híbrido que combina particionamento baseado em condições e agendamento adaptativo de pipeline para acelerar significativamente a inferência de modelos de difusão condicional, reduzindo a latência em até 2,31 vezes sem comprometer a qualidade da geração.
O artigo apresenta o SAPNet++, uma rede que aprimora a segmentação de instâncias baseada em pontos únicos ao integrar mecanismos de orientação de distância, mineração de caixas e refinamento de afinidade multiescala para resolver ambiguidades de granularidade e incertezas de limites, superando as limitações dos métodos anteriores em quatro conjuntos de dados desafiadores.
Este artigo apresenta o CUPID, um novo framework de desaprendizagem que mitiga o problema do "esquecimento de atalho" em modelos enviesados, utilizando a análise da nitidez do espaço de perda para particionar dados e atualizar seletivamente os caminhos causais e enviesados, garantindo assim um esquecimento robusto e eficaz.
Este artigo apresenta o FAQ, um novo benchmark em larga escala que avalia e aprimora a capacidade de raciocínio temporal de Modelos Visuais-Linguísticos na detecção de deepfakes em vídeo, superando as limitações das abordagens estáticas atuais através de uma hierarquia de três níveis e um conjunto de dados para ajuste fino.
O artigo apresenta o XStreamVGGT, uma abordagem sem ajuste que integra poda e quantização para comprimir o cache KV em modelos de geometria visual, permitindo inferência de reconstrução 3D em streaming extremamente eficiente em memória com redução de 4,42 vezes no uso de memória e aceleração de 5,48 vezes na inferência.
O artigo apresenta o GeoMotion, uma abordagem totalmente baseada em aprendizado que realiza segmentação de movimento em cenas dinâmicas de forma eficiente e end-to-end, inferindo objetos em movimento diretamente a partir de representações latentes e geometria 4D sem depender de estimativas explícitas de correspondência ou pipelines iterativos complexos.
O artigo apresenta o StoryMovie, um dataset que alinha histórias visuais a roteiros e legendas de filmes para corrigir alucinações semânticas, demonstrando que o modelo Storyteller3, treinado com esse alinhamento, supera significativamente as abordagens baseadas apenas em ground visual na atribuição correta de diálogos e interações.
O artigo propõe o Meta-FC, uma nova estratégia de treinamento baseada em meta-aprendizado e consistência de características que supera as limitações da abordagem SRD ao melhorar a robustez e a generalização de métodos de marcação d'água contra distorções conhecidas, combinadas e desconhecidas.
Este artigo propõe o framework Learning-to-Re-Prompt (L2RP), que estuda a propagação de erros em anotações de vídeos endoscópicos e aprende uma política adaptativa para intervir com especialistas de forma custo-eficiente, melhorando a precisão e a consistência temporal na segmentação de displasia de Barrett.
O artigo apresenta o DynamicGTR, um framework que aprimora as capacidades de modelos de linguagem e visão em responder perguntas sobre grafos ao selecionar dinamicamente a representação de topologia de grafos mais adequada para cada consulta, otimizando o equilíbrio entre precisão e concisão sem necessidade de treinamento adicional.
O artigo propõe o framework GFPL, que utiliza aprendizado federativo baseado em protótipos gerativos e uma arquitetura de dupla classificação para superar os desafios de desequilíbrio de dados e alto custo de comunicação em tarefas de visão computacional, resultando em maior precisão e eficiência.
Este artigo apresenta um modelo baseado em UNet para a regressão de keypoints e localização 3D de cones em corridas autônomas, utilizando um grande conjunto de dados personalizado para superar as limitações de métodos tradicionais e alcançar alto desempenho em tempo real.
O artigo apresenta o NESS, um método de aprendizado contínuo que mitiga o esquecimento catastrófico ao aplicar atualizações específicas de tarefa no espaço nulo aproximado das representações de entrada anteriores, explorando os menores valores singulares para garantir ortogonalidade direta no espaço de pesos.
O artigo apresenta o método "geometry-as-context", que utiliza um modelo de geração de vídeo autoral controlado por câmera e um módulo de atenção com portão para estimar geometria e restaurar imagens de novas visualizações iterativamente, superando as limitações de consistência e acúmulo de erros dos métodos anteriores na geração de vídeos de cenas 3D.
Este artigo apresenta um framework automatizado baseado no modelo CARD-ViT, treinado exclusivamente com dados de tomografia computadorizada (TC) cardíaca com sincronização eletrocardiográfica (gated), que permite a detecção e pontuação de cálcio coronariano em exames de TC não sincronizados (non-gated) com desempenho comparável a modelos treinados especificamente para essa modalidade, viabilizando assim a triagem cardiovascular em exames de rotina sem a necessidade de novos exames ou anotações.
Este artigo propõe a Regularização de Difusão Ordinal Direcionada (D-ODR), um método que modela a progressão da Retinopatia Diabética como um fluxo direcionado e irreversível para garantir representações de características biologicamente plausíveis e melhorar a precisão do diagnóstico em comparação com abordagens existentes.