2506 artigos
O artigo apresenta o MissBench, um novo benchmark e framework para análise afetiva multimodal que padroniza protocolos de dados faltantes desbalanceados e introduz métricas diagnósticas para avaliar a equidade e o desequilíbrio de otimização entre modalidades em cenários do mundo real.
O artigo apresenta o InternVL-U, um modelo unificado multimodal leve de 4 bilhões de parâmetros que democratiza capacidades de compreensão, raciocínio, geração e edição, superando modelos maiores como o BAGEL (14B) em tarefas de geração e edição graças a uma arquitetura modular e um pipeline de dados focado em raciocínio.
O artigo apresenta o DISPLAY, um framework inovador para geração de vídeos de interação humano-objeto que utiliza coordenadas esparsas de pulsos e caixas delimitadoras de objetos para garantir controle intuitivo e consistência física, aprimorado por mecanismos de atenção focados no objeto e uma estratégia de treinamento auxiliar multi-tarefa.
O artigo apresenta o CourtSI, o primeiro grande conjunto de dados e benchmark para avaliar a inteligência espacial de modelos de linguagem e visão em cenários esportivos, demonstrando que o ajuste fino com esses dados supera significativamente as lacunas de desempenho atuais e melhora a capacidade de raciocínio espacial e geração de comentários em esportes de rede.
O artigo apresenta o WikiCLIP, um framework contrastivo eficiente que supera métodos generativos em reconhecimento visual de entidades de domínio aberto ao utilizar embeddings de modelos de linguagem com um adaptador guiado por visão e um mecanismo de síntese de negativos difíceis, alcançando ganhos significativos de desempenho e reduzindo a latência de inferência em até 100 vezes.
Este artigo demonstra que a otimização direta da distância de Chamfer em formas 3D falha estruturalmente devido a um colapso de gradientes local, e propõe que a introdução de acoplamento não local, como deformação de base compartilhada ou um prior MPM diferenciável, é necessária para suprimir esse colapso e melhorar significativamente os resultados.
Este artigo propõe um método de recuperação de movimento baseado em ângulos articulares que transforma características locais em pseudo-imagens e utiliza interação tardia token-patch para superar as limitações de métodos globais, alcançando resultados superiores e maior interpretabilidade nas tarefas de recuperação texto-movimento.
O artigo apresenta o ACADiff, um framework baseado em difusão latente que utiliza dados clínicos e metadados para sintetizar modalidades de imagem cerebral ausentes e realizar a imputação de dados multimodais, demonstrando desempenho superior na geração de imagens e na manutenção da precisão diagnóstica para a doença de Alzheimer mesmo em cenários com até 80% de dados faltantes.
Este artigo propõe um novo framework de adaptação de domínio não supervisionada baseado na Discrepância de Desigualdade de Margem (MDD) para melhorar a segmentação do fígado em imagens de CBCT intervencionista, utilizando dados anotados de TC e dados não anotados de CBCT para superar a escassez de anotações específicas desse modo de imagem.
O artigo apresenta o k-MTR, um framework de aprendizado de representação no espaço k que elimina a necessidade de reconstrução de imagens ao alinhar dados subamostrados diretamente com rótulos fisiológicos, permitindo uma análise cardíaca multi-tarefa precisa e eficiente sem passar pelo passo intermediário de formação de imagem.
Este artigo propõe e valida o uso da "Dificuldade da Lâmina Inteira" (WSD), baseada em discordâncias entre patologistas, para melhorar o desempenho do Aprendizado de Múltiplas Instâncias na classificação e graduação do câncer de próstata, especialmente nos casos de maior gravidade.
O artigo apresenta o C2FMAE, um autoencoder mascarado de coarse-to-fine que resolve a tensão entre aprendizado de semântica global e detalhes locais ao aprender representações visuais hierárquicas através de um decodificador em cascata e um currículo de mascaramento progressivo, resultando em ganhos significativos em tarefas de visão computacional.
O artigo apresenta o BEACON, um método que supera as limitações de navegação baseada em linguagem em cenários com oclusão ao prever um mapa de calor de affordance em visão de pássaro (BEV) a partir de observações multiview, alcançando uma melhoria significativa de 22,74 pontos percentuais em relação às abordagens de estado da arte baseadas em espaço de imagem.
O artigo apresenta o ReCoSplat, um modelo feed-forward autoregressivo para síntese de novas visões online que utiliza um módulo Render-and-Compare para compensar erros de pose e uma estratégia híbrida de compressão de cache para permitir a reconstrução eficiente de sequências longas, alcançando desempenho state-of-the-art em diversos cenários.
Este artigo demonstra que, em cenários de dados realistas com características correlacionadas, a superposição em redes neurais pode organizar-se de forma a transformar interferências em efeitos construtivos, gerando agrupamentos semânticos e estruturas cíclicas que não são explicadas pelo modelo tradicional de superposição baseado em características não correlacionadas.
O artigo apresenta o , uma abordagem de projeto de ponta a ponta baseada em dados para o design de sistemas ópticos, demonstrando sua eficácia na criação de um microscópio de recuperação de fase totalmente óptico que supera métodos existentes e foi validado experimentalmente.
Este artigo propõe um método de adaptação de domínio para alvos mistos que supera as limitações atuais ao alinhar mutuamente as distribuições categóricas condicionais e os classificadores, alcançando desempenho superior mesmo na ausência de rótulos de domínio e sob desequilíbrio na distribuição de classes.
O artigo apresenta o altiro3D, uma biblioteca gratuita que gera experiências 3D realistas e síntese de novas visualizações a partir de uma única imagem ou vídeo plano, utilizando estimativa de profundidade, técnicas de inpainting e um algoritmo rápido para projeção 3D, permitindo a exibição em telas LCD de visão livre.
Este artigo apresenta o PD-REAL, um novo conjunto de dados em larga escala para detecção de anomalias 3D baseado em modelos de Play-Doh, e propõe um método de destilação hierárquica multiescala que integra informações RGB e de profundidade para superar as limitações das abordagens unimodais e melhorar a precisão na detecção de anomalias.
O artigo propõe a CA-Jaccard, uma nova métrica de distância para re-identificação de pessoas que mitiga o impacto negativo da variação de câmeras na confiabilidade da distância Jaccard ao introduzir vizinhos k-recíprocos e expansão de consulta local sensíveis às câmeras para melhorar a seleção de vizinhos relevantes.