8133 artigos
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.
Este artigo apresenta um framework de aprendizado profundo leve baseado em MobileNetV3 e CORAL, otimizado para dispositivos móveis, que alcança alta precisão na triagem automatizada e escalável da retinopatia diabética a partir de imagens de fundo de olho.
Este artigo apresenta o MVGFDR, um quadro de aprendizado profundo que utiliza fusão de grafos multi-visão e reconstrução mascarada para capturar correlações inter-visuais e melhorar a graduação da retinopatia diabética, superando os métodos existentes em desempenho no conjunto de dados MFIDDR.
O MindDriver é um novo framework de raciocínio multimodal progressivo que supera as limitações das abordagens atuais ao integrar compreensão semântica, imaginação espaço-física e planejamento de trajetória em modelos de visão e linguagem, resultando em desempenho superior em sistemas de direção autônoma.
O artigo apresenta o GLoTran, um framework de percepção visual global-local para modelos de linguagem multimodal que, juntamente com o novo conjunto de dados GLoD, supera as limitações existentes na tradução de imagens ricas em texto de alta resolução ao garantir consistência contextual e precisão em detalhes finos.
Este artigo apresenta um método de inicialização de grafos de pose para SfM que utiliza priorização de arestas baseada em uma Rede Neural Gráfica (GNN) para garantir consistência global, resultando em reconstruções mais precisas e compactas, especialmente em cenários esparsos e ambíguos.
O artigo apresenta o Dream-SLAM, um método inovador de SLAM ativo monoculário que supera as limitações atuais ao "sonhar" com imagens e estruturas semânticas de ambientes dinâmicos para refinar a estimativa de pose, melhorar a representação 3D e permitir um planejamento de exploração de longo alcance mais eficiente e preciso.