4327 artigos
O artigo propõe o Graph-of-Mark (GoM), uma técnica de prompting visual baseada em grafos que sobrepõe grafos de cena às imagens para melhorar o raciocínio espacial e a capacidade de localização de modelos de linguagem multimodais, superando as limitações de métodos anteriores ao capturar explicitamente as relações entre os objetos.
Este artigo apresenta um sistema de inferência otimizado para modelos de geração de vídeo baseados em DiT, que utiliza codificação posicional 3D sequencial-paralela com um índice de tempo global para reduzir o consumo de memória e a latência, permitindo a geração de vídeos em tempo real com qualidade comparável.
O artigo demonstra que, em tarefas médicas de visão e linguagem, o raciocínio passo a passo (Chain-of-Thought) frequentemente performa pior que respostas diretas devido a um gargalo de percepção médica, mas propõe intervenções de ancoragem perceptiva e fundamentação descritiva para mitigar esse problema e melhorar a precisão dos modelos.
O artigo apresenta o SJD-PV, um método de aceleração sem treinamento para geração de imagens autoregressiva que utiliza verificação especulativa em nível de frases, agrupando tokens visualmente correlacionados para reduzir a latência de inferência em até 30% sem comprometer a qualidade visual.
Os autores projetaram e implementaram uma rede em malha totalmente conectada de quatro drones utilizando rádios definidos por software RFSoC, demonstrando com sucesso o streaming de vídeo 4K em tempo real através de doze links MIMO 2x2, alcançando uma taxa agregada de 1,2 Gbps com latência ultrabaixa.
Este artigo apresenta o SDN-SYN PoW, uma arquitetura de defesa adaptativa baseada em Software-Defined Networking (SDN) que utiliza Prova de Trabalho (PoW) para mitigar ataques de inundação SYN em múltiplos domínios, ajustando dinamicamente a dificuldade computacional para proteger a rede sem prejudicar o desempenho de clientes legítimos.
O artigo apresenta o SIL-GPO, um framework de aprendizado por reforço que utiliza redes de atenção em grafos e aprendizado de auto-imitação para otimizar a orquestração híbrida de serviços de IA de borda e microsserviços, reduzindo significativamente a latência e melhorando a utilização de recursos em comparação com abordagens existentes.
O artigo apresenta o CalibFusion, um detector de fusão Radar-Câmera baseado em Transformers que realiza refinamento extrínseco diferenciável e em tempo real para melhorar a detecção 2D em ambientes de superfície aquática, superando as limitações das metodologias existentes que dependem de estruturas ricas e alvos abundantes.
Este estudo demonstra que, embora a inicialização com ruído semântico apresente uma tendência positiva marginal em dimensões temporais para modelos de geração de vídeo, ela não oferece ganhos estatisticamente significativos em relação ao ruído gaussiano padrão, sugerindo que os benefícios observados em imagens não se transferem diretamente para vídeos devido à instabilidade temporal.
O artigo apresenta o AutoFigure-Edit, um sistema integrado que gera ilustrações científicas totalmente editáveis a partir de textos longos, permitindo adaptação estilística flexível por meio de imagens de referência e facilitando a criação e o refinamento eficiente de diagramas técnicos.
O artigo apresenta o MultiGen, um sistema de geração de jogos baseado em difusão que introduz uma memória externa persistente e editável para superar as limitações de controle do usuário e de simulação multiplayer em modelos de mundo atuais, permitindo experiências interativas reprodutíveis e consistentes entre múltiplos jogadores.
O artigo apresenta o VB, um novo benchmark que avalia a capacidade de modelos de visão e linguagem de determinar a visibilidade em imagens e abster-se quando necessário, utilizando edições mínimas controladas e métricas específicas para medir precisão, robustez e raciocínio de perspectiva.
O artigo apresenta o RADAR, um benchmark multimodal baseado em exames de tomografia computadorizada abdominal que avalia a capacidade de modelos de IA em analisar discrepâncias clínicas e revisar relatórios radiológicos, simulando o fluxo de trabalho onde radiologistas em treinamento elaboram relatórios preliminares revisados por especialistas.
O artigo apresenta o ECHO, um framework multiagente que utiliza operações em hipergrafos e uma estratégia de "vincular antes de atribuir" para refinar iterativamente hipóteses de eventos multimídia, superando significativamente os métodos existentes na extração de eventos multimídia ao mitigar erros de alinhamento e propagação de erros.
Este artigo apresenta uma abordagem inovadora de imagem 3D que utiliza técnicas de Estrutura a partir do Movimento (SfM) em dispositivos móveis para reconstruir e segmentar pilhas de agregados, permitindo a análise de tamanho e forma para controle de qualidade em campo.
O artigo apresenta o "Narrative Weaver", um novo framework que integra planejamento narrativo automatizado, controle fino e coerência visual de longo alcance para gerar conteúdo visual consistente e multi-modal, apoiado por uma estratégia de treinamento progressiva e pelo lançamento do primeiro dataset abrangente para storyboards de publicidade em e-commerce.
Este estudo avalia a adaptação do modelo fundacional multimodal TerraMind para tarefas de imageamento hiperespectral sem pré-treinamento específico, comparando estratégias de seleção de bandas e agrupamento físico, e conclui que, embora a adaptação seja viável com perda moderada de desempenho, a integração nativa de dados espectrais em futuras arquiteturas é essencial para superar as limitações atuais.
Este artigo apresenta um framework robusto de detecção de uma única etapa para raquetes de badminton em robôs móveis, que inclui a criação de um novo conjunto de dados anotados semi-automaticamente, o desenvolvimento de um pipeline de anotação eficiente e a otimização de uma rede YOLOv8 para detecção em tempo real em viewpoints dinâmicos e ambientes variados.
O artigo apresenta o HARP, um framework de aprendizado profundo que harmoniza dados de ressonância magnética de difusão in vivo entre diferentes scanners utilizando exclusivamente treinamento com fantomas, eliminando a necessidade de sujeitos humanos viajantes e viabilizando estudos clínicos em grande escala.
Este artigo apresenta um método que utiliza rastreamento ocular sequencial como supervisão para guiar modelos de visão e linguagem na radiologia, introduzindo tokens de olhar que ensinam o modelo a adquirir evidências visuais de forma temporalmente ordenada, semelhante ao raciocínio humano, resultando em desempenho superior e maior robustez.