8630 artigos
O MedDIFT é um framework de correspondência 3D para imagens médicas que, sem necessidade de treinamento, utiliza características multiescala de um modelo de difusão latente pré-treinado para gerar descritores de voxel robustos e identificar correspondências anatômicas com alta precisão.
Este trabalho apresenta o CheXmask-U, um método e um grande conjunto de dados que quantificam a incerteza na segmentação baseada em marcos anatômicos de radiografias torácicas, permitindo a identificação de previsões não confiáveis e a detecção de dados fora de distribuição para promover o uso seguro e robusto dessas técnicas.
O artigo apresenta o MRD, uma abordagem que utiliza renderização diferenciável baseada em física para sondar a compreensão implícita de cenas 3D em modelos de visão, encontrando parâmetros de cena fisicamente distintos que produzem as mesmas ativações do modelo (metâmeros) para analisar sua sensibilidade a atributos como forma e material.
Este artigo apresenta o framework DL³M, que integra o classificador híbrido MobileCoAtNet com grandes modelos de linguagem para gerar raciocínio clínico estruturado a partir de imagens endoscópicas, demonstrando que, embora a combinação melhore a qualidade das explicações, os modelos atuais ainda carecem da estabilidade necessária para decisões médicas de alto risco.
O artigo apresenta o FALCON-SFOD, um framework que melhora a detecção de objetos sem fonte ao utilizar priors de modelos fundacionais para regularizar o espaço de características e focar nas regiões de interesse, superando as limitações das abordagens atuais baseadas em auto-rotulagem.
O artigo apresenta o REVEALER, um quadro unificado que utiliza raciocínio visual guiado por reforço para avaliar com precisão e interpretabilidade o alinhamento elemento a elemento entre prompts textuais e imagens geradas, superando os métodos existentes em desempenho e eficiência.
O artigo apresenta o Object-WIPER, um framework sem treinamento baseado em transformadores de difusão texto-para-vídeo que remove dinamicamente objetos e seus efeitos visuais associados de vídeos, preenchendo as áreas resultantes com conteúdo semanticamente consistente e temporalmente coerente, além de propor uma nova métrica de avaliação e um benchmark específico para validar seu desempenho superior em relação a métodos existentes.
Este artigo apresenta o LookBench, um benchmark aberto, vivo e holístico para recuperação de imagens de moda em cenários de e-commerce real, que inclui imagens de produtos recentes e geradas por IA com carimbos de data para avaliação livre de contaminação, desafiando modelos existentes e oferecendo recursos públicos como conjunto de dados e modelos de ponta.
O PyraTok é um novo tokenizador piramidal alinhado à linguagem que, ao aprender latentes discretos estruturados semanticamente em múltiplas resoluções espaciotemporais, supera o estado da arte na reconstrução de vídeo, geração texto-para-vídeo e tarefas de compreensão visual com transferência zero-shot robusta.
Este trabalho apresenta o Emotion-LLaMAv2, um novo modelo de linguagem multimodal com arquitetura end-to-end e fusão aprimorada, juntamente com o benchmark MMEVerse, que unifica e reanota 12 conjuntos de dados públicos para criar um padrão escalável de treinamento e avaliação para reconhecimento e raciocínio emocional.
O artigo apresenta o FineVAU, um novo benchmark para a compreensão de anomalias em vídeos que introduz o FVScore, uma métrica de avaliação alinhada com a percepção humana, e o conjunto de dados FineW3, superando as limitações das abordagens atuais ao focar na compreensão detalhada de eventos, entidades e locais em vídeos anômalos.
O artigo apresenta o RepSFNet, uma rede leve e eficiente que utiliza reparametrização estrutural e fusão de características para realizar contagem de multidões precisa e em tempo real, superando desafios como variações de escala e oclusão enquanto reduz significativamente a latência de inferência em comparação com métodos atuais.
O artigo apresenta o DyMo, um novo framework de seleção dinâmica de modalidades em tempo de inferência que resolve o dilema entre descartar ou imputar dados faltantes ao identificar adaptativamente modalidades recuperadas confiáveis, maximizando a informação relevante para a tarefa e superando os métodos atuais em cenários de classificação multimodal incompleta.
Este artigo apresenta o CMAFNet, uma rede de fusão e alinhamento multimodal que combina dados RGB e de profundidade por meio de um paradigma de purificação e integração para detectar defeitos em linhas de transmissão, alcançando desempenho superior ao estado da arte ao lidar com objetos pequenos e fundos complexos.
Este trabalho propõe um framework híbrido de registro e segmentação para análise de tumores hepáticos, demonstrando que, embora seja possível transferir rótulos entre modalidades para estruturas visíveis, a ausência de características discriminativas nos tumores na tomografia computadorizada intraoperatória impede a segmentação eficaz, revelando as limitações atuais da supervisão fraca baseada em registro.
Este trabalho apresenta o método LUMIR25, que alcançou o primeiro lugar no desafio LUMIR25 ao realizar registro zero-shot de ressonância magnética cerebral multi-contraste através da análise de vieses indutivos específicos e estratégias como perda baseada em MIND, randomização de intensidade e otimização específica de instância, permitindo generalização robusta entre domínios sem síntese explícita de imagens.
Este artigo apresenta o ViewRope, um método de incorporação posicional rotativa sensível à geometria que injeta direções de raios de câmera em modelos de mundo de vídeo para garantir consistência espacial 3D de longo prazo e reduzir alucinações, complementado por uma atenção esparsa eficiente e uma nova suite de avaliação chamada ViewBench.
O artigo apresenta o Agent Banana, um framework agencial hierárquico que utiliza mecanismos de "Context Folding" e "Image Layer Decomposition" para realizar edição de imagens de alta fidelidade e multi-turno em resolução nativa, superando desafios como excesso de edição e perda de fidelidade, e é avaliado através do novo benchmark HDD-Bench com imagens em 4K.
Este artigo apresenta um método de detecção de objetos rápido e energeticamente eficiente para sistemas IoT, baseado na diferença de quadros e no modelo MobileNet, que supera os métodos end-to-end em precisão, eficiência e latência ao lidar com objetos em movimento rápido em dispositivos de borda.
O artigo apresenta o Tele-Omni, um framework unificado multimodal que integra modelos de linguagem e geradores baseados em difusão para realizar geração e edição de vídeo sob instruções diversas (texto, imagens e vídeos de referência) em um único modelo, superando as limitações de abordagens específicas de tarefa.