7809 artigos
O artigo apresenta o AdaSpot, um framework eficiente para a localização precisa de eventos em vídeos que combina o processamento de baixa resolução com a seleção adaptativa e não supervisionada de regiões de interesse de alta resolução, alcançando desempenho superior em benchmarks padrão sem custos computacionais significativos.
O artigo apresenta o WeatherCity, um novo framework para reconstrução de cenas urbanas 4D que permite a transformação e edição controlada de múltiplas condições climáticas com alta fidelidade e consistência temporal, superando as limitações de métodos existentes para simulação de clima em cenários autônomos.
O artigo apresenta o Brain3D, um framework de visão-linguagem em três estágios que utiliza transformadores inflados nativos em 3D para gerar relatórios radiológicos automatizados de ressonâncias magnéticas cerebrais, superando significativamente as abordagens baseadas em 2D ao preservar o contexto espacial crítico para a neurorradiologia.
O artigo apresenta o GeoDiv, um novo framework que utiliza modelos de linguagem e visão para medir a diversidade geográfica em geradores de imagens, revelando que modelos como Stable Diffusion e FLUX.1-dev frequentemente perpetuam estereótipos socioeconômicos e retratam países como Índia, Nigéria e Colômbia de forma desproporcionalmente empobrecida.
O artigo apresenta o Lumosaic, um sistema ativo de vídeo hiperespectral compacto que combina uma matriz de LEDs de banda estreita com uma câmera de exposição codificada por pixel para capturar, em tempo real, vídeos hiperespectrais de 30 quadros por segundo com alta fidelidade espectral e estabilidade temporal, superando as limitações dos sistemas passivos ao sincronizar a iluminação e a exposição para lidar com cenas dinâmicas.
O artigo apresenta o WeaveTime, um framework leve e agnóstico ao modelo que aprimora a compreensão temporal em VideoLLMs para cenários de streaming ao ensinar a percepção de ordem por meio de um objetivo de reconstrução temporal e gerenciar dinamicamente o foco entre o passado e o presente durante a inferência, resultando em maior precisão e menor latência sem alterações arquiteturais.
O artigo apresenta o MedTri, uma plataforma de normalização que converte relatórios médicos livres em tripletas estruturadas baseadas em anatomia, demonstrando que essa padronização melhora significativamente a qualidade do pré-treinamento visão-linguagem em radiologia ao eliminar ruídos estilísticos e preservar informações essenciais.
O artigo apresenta o NoLan, um framework sem treinamento que mitiga alucinações de objetos em Modelos de Linguagem e Visão Grandes (LVLMs) suprimindo dinamicamente os priores linguísticos do decodificador, identificando-os como a principal causa do problema.
O CASR é um framework cíclico simples e eficiente que supera as limitações de deslocamento de distribuição na super-resolução de escala arbitrária, alinhando estruturas e restaurando texturas por meio de módulos de agregação de superpixels e auto-similaridade para garantir inferência estável e generalização superior em ampliações extremas.
Este artigo propõe um codificador de agregação de região em múltiplas ampliações que funde representações de tiles de imagens de patologia usando modelagem de mascaramento de embeddings, demonstrando melhorias no desempenho preditivo para biomarcadores ao capturar contextos espaciais e features multi-resolução.
Este artigo demonstra que modelos de geração de imagem pré-treinados e de uso geral podem ser facilmente reconfigurados para remover eficazmente perturbações protetoras de imagens, superando ataques especializados e revelando uma vulnerabilidade crítica nas atuais estratégias de proteção.
O artigo apresenta o WHOLE, um método que reconstrói holisticamente os movimentos da mão e do objeto no espaço mundial a partir de vídeos egocêntricos, utilizando um prior generativo aprendido para superar os desafios de oclusão e inconsistência que limitam as abordagens atuais que tratam os elementos de forma isolada.
Este artigo aborda o desafio de particionar variáveis de entrada em métodos de atribuição para IA explicável, propondo uma extensão do valor de Shapley e métricas para avaliar a fidelidade de coalizões, a fim de resolver conflitos de atribuição e alinhar os resultados com a intuição humana.
Este artigo apresenta o Proto-Caps, um modelo inovador que combina redes de cápsulas, aprendizado por protótipos e informações privilegiadas para alcançar desempenho superior ao estado da arte e maior interpretabilidade na classificação de imagens médicas, validado no conjunto de dados LIDC-IDRI.
O artigo apresenta o PILOT, um método de otimização no espaço latente que utiliza centralização semântica e perda de preservação de fundo para gerar preenchimentos de imagem coerentes e multi-modais em modelos de difusão pré-treinados sem necessidade de ajuste fino.
O artigo apresenta o ScaleDepth, um método inovador de estimativa de profundidade monoculométrica que decompõe a tarefa em predição de escala e estimativa de profundidade relativa, permitindo uma generalização superior e unificada para cenas internas e externas sem necessidade de ajuste fino ou definição prévia de faixas de profundidade.
O artigo apresenta o DreamBarbie, um novo framework baseado em texto que gera avatares 3D de alta qualidade no estilo Barbie com roupas e acessórios separáveis e prontos para simulação física, superando métodos anteriores ao utilizar uma representação 3D expressiva baseada em G-Shell e otimização especializada por modelos de difusão.
Este estudo apresenta o modelo UWF-RI2FA, que utiliza inteligência artificial generativa para criar imagens sintéticas de angiografia fluoresceína ultralarga sem necessidade de injeção de corante, demonstrando que essas imagens melhoram significativamente a estratificação da retinopatia diabética.
O artigo apresenta o RegTrack, um método robusto e eficiente para rastreamento multi-objeto 3D multimodal que, inspirado na teoria de calibre de Yang-Mills e utilizando apenas 2,6 milhões de parâmetros, supera 35 concorrentes ao empregar um codificador tri-cue unificado para realizar associação baseada em similaridade e compensação de movimento sem depender de métricas complexas ou priores específicos de classe.
Este artigo apresenta dois algoritmos baseados em operadores de redes neurais multidimensionais ativados por funções sigmoidais tangente hiperbólica para modelagem e aprimoramento de dados de sensoriamento remoto, demonstrando, por meio de experimentos numéricos no conjunto de dados RETINA, que eles superam os métodos de interpolação clássicos, especialmente no Índice de Similaridade Estrutural (SSIM).