8948 artigos
O artigo apresenta o Vinedresser3D, um framework agencial que utiliza modelos de linguagem multimodal e edição de imagens para realizar edições 3D de alta qualidade e sem máscaras diretamente no espaço latente, garantindo alinhamento com prompts complexos, localização automática de regiões editadas e preservação da coerência 3D.
O artigo apresenta o framework "Prune-then-Merge", uma abordagem inovadora de duas etapas que combina poda adaptativa e fusão hierárquica para superar o compromisso entre eficiência e fidelidade de características na Recuperação de Documentos Visuais, alcançando compressão quase sem perdas e desempenho superior em 29 conjuntos de dados.
Este trabalho apresenta um quadro computacional multimodal que integra representações perceptuais e linguísticas para modelar a interpretação referencial humana, demonstrando que mecanismos de alinhamento relativamente simples podem superar o desempenho humano na identificação de objetos a partir de descrições linguísticas em um ambiente ambíguo.
O artigo apresenta o HOCA-Bench, um benchmark que avalia a capacidade de modelagem preditiva do mundo em Video-LLMs através de anomalias ontológicas e causais inspiradas na filosofia hegeliana, revelando que, embora os modelos atuais reconheçam bem violações estáticas, eles falham significativamente ao aplicar leis físicas básicas e raciocinar sobre mecanismos causais.
Este artigo propõe o ataque MVIG, um novo quadro adversarial adaptativo que utiliza um grafo de informação de visão mútua e aprendizado temporal para explorar vulnerabilidades em sistemas de percepção colaborativa, reduzindo significativamente a eficácia das defesas atuais e expondo lacunas de segurança críticas.
O artigo propõe o CLCR, um método de representação colaborativa que organiza as características multimodais em uma hierarquia semântica de três níveis e utiliza domínios de troca e agregação intra e inter-níveis para alinhar informações compartilhadas e privadas, superando assim a desalinhamento semântico e melhorando o desempenho em diversas tarefas de aprendizado multimodal.
Este artigo apresenta um pipeline escalável baseado em imagens de satélite e aprendizado de máquina que, ao utilizar redes neurais convolucionais pré-treinadas com máscaras espaciais, alcança uma precisão superior na detecção de sítios arqueológicos saqueados na Afeganistão em comparação com métodos tradicionais de aprendizado de máquina.
O artigo apresenta o RAID, um framework de detecção de anomalias não supervisionada que utiliza uma abordagem de recuperação aumentada com um banco de dados vetorial hierárquico e uma rede MoE guiada para suprimir ruídos de correspondência e gerar mapas de anomalias precisos, alcançando desempenho superior em diversos benchmarks.
Este artigo apresenta um módulo plug-and-play eficiente que aprimora o raciocínio de modelos de linguagem visuais sobre objetos raros, refinando tokens visuais e enriquecendo prompts de texto por meio de embeddings de classe multimodais aprendidos, sem a necessidade de ajuste fino do modelo.
Este artigo apresenta o SAM-H e o WOFTSAM, novos rastreadores planares que combinam segmentação robusta com estimativa de homografia, estabelecendo o novo estado da arte nos benchmarks POT-210 e PlanarTrack, além de fornecer anotações de verdade terrestre aprimoradas e código aberto.
O artigo propõe o método HiRM (High-Level Representation Misdirection), que realiza a eliminação precisa de conceitos indesejados em modelos de difusão texto-para-imagem ao redirecionar representações semânticas de alto nível no codificador de texto, preservando a qualidade da geração e a utilidade do modelo com baixo custo de treinamento.
O artigo apresenta o FedTAR, um framework de aprendizado federado que utiliza adaptação temporal e personalização baseada em dados demográficos para gerar relatórios médicos longitudinais precisos e coerentes, superando as limitações de privacidade e a heterogeneidade dos dados em diferentes visitas dos pacientes.
O TeHOR é um novo framework que realiza a reconstrução conjunta de humanos e objetos 3D a partir de uma única imagem, superando as limitações de métodos anteriores ao utilizar descrições textuais e cues de aparência para garantir alinhamento semântico e reconstruções visualmente plausíveis, inclusive em interações sem contato físico.
O artigo apresenta o BayesFusion-SDF, um framework de fusão probabilística de distância assinada focado em CPU que supera os métodos tradicionais de TSDF em precisão geométrica e estimativa de incerteza, oferecendo uma alternativa eficiente e interpretável às abordagens neurais pesadas em GPU para reconstrução 3D densa e planejamento de visão ativa.
Este artigo apresenta um sistema de prova de conceito que automatiza a classificação iconográfica e a recomendação baseada em conteúdo de obras de arte digitalizadas, integrando detecção de objetos com YOLOv8, mapeamento para o vocabulário Iconclass e inferência baseada em regras para acelerar a catalogação e melhorar a navegação em repositórios de patrimônio cultural.
Este artigo apresenta uma abordagem sem treinamento que utiliza difusão guiada por texto e refinamento SDEdit para melhorar a reconstrução de HDR a partir de imagens LDR, recuperando detalhes em regiões superexpostas enquanto mantém a consistência luminosa entre múltiplas exposições.
O artigo apresenta o Pose-VLA, um paradigma de pré-treinamento universal que desacopla a extração de priores espaciais 3D da adaptação específica ao corpo, utilizando tokens de pose discretos para alcançar desempenho de ponta e generalização robusta em políticas Visão-Linguagem-Ação com poucos exemplos.
O artigo apresenta o DeepfakeJudge, um framework que utiliza um processo de bootstrap para supervisionar e avaliar a fidelidade do raciocínio em modelos de detecção de deepfakes, alcançando alta precisão e concordância com avaliações humanas sem a necessidade de rótulos de raciocínio explícitos.
O artigo apresenta o Flose, um método generativo inovador para estimação de pose 6D que utiliza correspondência de fluxo condicional em combinando características semânticas de aparência e registro RANSAC para superar as limitações de métodos anteriores em lidar com simetrias de objetos e falta de características locais, alcançando desempenho superior em cinco conjuntos de dados do benchmark BOP.
O artigo apresenta o PMM-Synth, um quadro de síntese de MRI personalizado que, ao ser treinado em múltiplos conjuntos de dados heterogêneos através de módulos de modulação de características, agendamento de lotes consistente e perda de supervisão seletiva, supera os métodos atuais na geração de modalidades ausentes e na preservação de detalhes anatômicos e patológicos para aplicações clínicas.