3885 artigos
O artigo apresenta o FusionRegister, um método geral e eficiente que utiliza priores visuais para realizar o registro cruzado entre imagens infravermelhas e visíveis diretamente no resultado da fusão, garantindo robustez, alinhamento detalhado e compatibilidade com diversas técnicas de fusão existentes.
O artigo apresenta o UniUncer, um framework unificado e leve que melhora a confiabilidade da direção de ponta a ponta ao estimar e integrar incertezas tanto de elementos estáticos quanto dinâmicos, resultando em ganhos significativos de precisão e desempenho em cenários desafiadores.
O artigo apresenta o FrameVGGT, um framework de memória explícita orientado a quadros que supera as limitações de crescimento ilimitado de cache em transformadores de geometria visual de streaming, substituindo a retenção de tokens individuais por blocos de evidência coesos para manter uma precisão geométrica estável sob orçamentos de memória fixos.
O artigo apresenta o RoboPCA, um framework de aprendizado de affordance centrado na pose que prevê conjuntamente regiões de contato e poses adequadas para manipulação robótica, utilizando o pipeline Human2Afford para gerar automaticamente anotações a partir de demonstrações humanas e demonstrando superioridade em relação a métodos existentes em diversos cenários.
Este artigo apresenta o CDA-VSR, uma rede de super-resolução de vídeo online que utiliza informações do domínio comprimido, como vetores de movimento e mapas de resíduos, para alcançar uma melhoria significativa na velocidade de inferência e na qualidade de reconstrução em comparação com métodos existentes.
O artigo apresenta o MMDM, um modelo de difusão baseado em autoencoder que utiliza o mecanismo de Agregação de Atenção Cinemática para aprender priores de movimento adaptativos ao contexto, permitindo a reconstrução robusta e eficiente de dados de movimento incompletos ou ruidosos em tarefas como refinamento, preenchimento e interpolação.
O artigo apresenta o TDM-R1, uma nova abordagem de aprendizado por reforço que permite otimizar modelos generativos de poucos passos com recompensas não diferenciáveis, superando os métodos existentes e alcançando desempenho de ponta em diversas tarefas de geração de imagens.
O artigo apresenta o PARSE, um framework que modela relações espaciais em nível de partes de objetos através de um grafo de montagem centrado em partes (PAG), permitindo a geração de cenas 3D fisicamente consistentes e melhorando o raciocínio espacial de modelos de visão-linguagem por meio do dataset PARSE-10K.
O artigo apresenta o 3ViewSense, um novo framework que supera a lacuna de inteligência espacial em Modelos Visão-Linguagem ao utilizar um mecanismo de "Simular e Raciocinar" baseado em vistas ortográficas para construir representações mentais 3D coerentes a partir de observações 2D.
O artigo propõe o AR2-4FV, um método inovador para o rastreamento de longo prazo em vídeos de visão fixa que utiliza um Banco de Âncoras derivado de estruturas de fundo estáticas e mecanismos de reidentificação para manter a continuidade do alvo mesmo durante longos períodos de oclusão ou ausência, superando significativamente as abordagens existentes em taxas de recaptura e latência.
O artigo apresenta o DECADE, um modelo de difusão não supervisionado e temporalmente consistente que melhora a qualidade e a precisão quantitativa das imagens dinâmicas de PET cardíaco com Rb-82, superando as limitações de ruído e a falta de dados de treinamento pareados.
O artigo apresenta o MedQ-Deg, um novo benchmark abrangente que avalia a robustez e a calibração de confiança de modelos de linguagem multimodal grandes (MLLMs) médicos frente a 18 tipos de degradação de imagem, revelando que, embora o desempenho caia com a severidade das falhas, os modelos mantêm uma confiança excessivamente alta, exibindo um efeito Dunning-Kruger artificial.
O artigo propõe o framework GK-FedDKD, que utiliza conhecimento geométrico global e destilação de conhecimento dual para superar os desafios de heterogeneidade de dados no aprendizado federado aplicado à análise de imagens de satélite de sensoriamento remoto, alcançando desempenho superior ao estado da arte.
Este artigo propõe um método de transferência de estilo que representa a imagem no domínio dos pinceladas em vez do domínio de pixels, resultando em uma representação visual mais natural e fiel à arte real.
O artigo apresenta o OrdinalBench, um novo conjunto de dados de benchmark com 39.000 pares de perguntas e respostas projetado para diagnosticar as limitações de generalização de Modelos Visão-Linguagem na compreensão de números ordinais, revelando que modelos de ponta sofrem degradação significativa ao lidar com grandes índices e caminhos complexos.
O artigo apresenta o SGI (Structured Gaussian Image), um framework compacto e eficiente que representa imagens de alta resolução utilizando Gaussians neurais 2D estruturados baseados em sementes e uma estratégia de ajuste multiescala, alcançando compressão superior e convergência mais rápida sem comprometer a fidelidade da imagem.
Este trabalho apresenta o 4DRC-OCC, a primeira abordagem que combina dados de radar 4D e câmeras para previsão robusta de ocupação semântica 3D, aproveitando as medições confiáveis do radar em condições adversas e as informações semânticas da câmera, além de introduzir um novo conjunto de dados rotulados automaticamente para reduzir a dependência de anotação manual.
O artigo apresenta o MWM, um modelo de mundo móvel que utiliza um treinamento em duas etapas e uma distilação consistente com a inferência para garantir previsões visualmente fiéis e coerentes com as ações, melhorando significativamente a navegação baseada em planejamento e a eficiência de inferência.
O artigo apresenta o HybridStitch, um novo paradigma de geração de imagens que acelera os modelos de difusão ao dividir a imagem em regiões simples e complexas, utilizando um modelo menor para esboçar as áreas fáceis e um modelo maior para refinar as áreas complexas, alcançando um aumento de velocidade de 1,83× no Stable Diffusion 3.
Este projeto utiliza armadilhas fotográficas de baixo custo e modelos de visão computacional fundamentais na Reserva Natural Pu'u Maka'ala, no Havaí, para monitorar a fenologia vegetal e as interações flora-fauna em nível individual, revelando tendências ecológicas que métodos tradicionais não conseguem detectar.