3898 artigos
O artigo apresenta o SGG-R³, um framework de raciocínio estruturado que combina ajuste fino supervisionado com aumento de relações e aprendizado por reforço com otimização de política de sequência em grupo, para gerar gráficos de cena completos e não enviesados, superando os desafios de distribuição de cauda longa e esparsidade de relações.
Este artigo apresenta o EcoG-Bench, um novo benchmark bilingue e rigoroso para avaliar a capacidade de modelos de linguagem multimodais de associar comandos deícticos a gestos de apontamento em tempo real, revelando uma grande lacuna de desempenho entre humanos e IAs devido a limitações nas interfaces multimodais que dificultam a observação de alinhamentos temporais precisos.
Este trabalho apresenta um framework de rastreamento de instrumentos cirúrgicos para realidade aumentada que supera as limitações de oclusão em salas de cirurgia dinâmicas ao fundir múltiplas modalidades de sensoriamento e otimizar a visualização em tempo real.
O artigo apresenta o AutoReg3D, um detector 3D baseado em LiDAR que reformula a detecção como geração de sequências autoregressivas em ordem de proximidade, eliminando a necessidade de componentes manuais como âncoras e supressão não máxima (NMS) enquanto habilita a aplicação de avanços recentes em modelos de linguagem para percepção 3D.
O artigo apresenta o TeamHOI, uma política descentralizada baseada em Transformers que permite a coordenação escalável e realista de interações cooperativas humano-objeto entre um número variável de agentes, utilizando uma estratégia de Adversarial Motion Prior mascarado para superar a escassez de dados e garantir movimentos fisicamente plausíveis.
O AutoTraces é um modelo autoregressivo que integra grandes modelos de linguagem multimodal com um esquema inovador de tokenização de trajetórias e geração automática de cadeia de pensamento para prever trajetórias robóticas em ambientes com humanos, alcançando resultados state-of-the-art em previsões de longo prazo e generalização entre cenários.
O artigo propõe o framework ViSA, uma arquitetura colaborativa de três fases que aprimora a navegação aérea visão-linguagem ao permitir que modelos de visão e linguagem realizem raciocínio direto em planos de imagem sem treinamento adicional, alcançando uma melhoria de 70,3% na taxa de sucesso em comparação com métodos existentes.
Este artigo apresenta o dataset TickTockVQA, composto por relógios analógicos em cenários reais, e o método de ajuste Swap-DPO para superar as limitações atuais dos modelos de linguagem e visão na leitura precisa de horas e no raciocínio espacial-temporal sob condições visuais complexas.
O artigo propõe o primeiro framework de fusão de imagens infravermelho-visível com IR ausente que utiliza uma representação compartilhada baseada em dicionário para inferir coeficientes de IR a partir do VIS e fundi-los de forma interpretável, evitando a geração descontrolada no espaço de pixels e melhorando a qualidade perceptual e o desempenho de detecção.
O artigo apresenta o VSDiffusion, um framework de duas etapas baseado em difusão que utiliza priores de visibilidade e dicas de iluminação e profundidade para gerar sombras realistas e geometricamente consistentes em composições de imagem, estabelecendo novos resultados de ponta no conjunto de dados DESOBAv2.
O artigo apresenta o AffordGrasp, um framework baseado em difusão que gera poses de preensão humana física e semanticamente estáveis ao integrar representações latentes de affordance e um processo de dupla condicionamento para alinhar geometria do objeto, intenções espaciais e instruções textuais.
O artigo apresenta o MambaDance, uma nova abordagem para geração de dança que substitui os modelos Transformer por uma arquitetura baseada em Mamba dentro de um processo de difusão em duas etapas e utiliza uma representação de batida musical baseada em Gaussiana para gerar movimentos sincronizados e coerentes em sequências de qualquer duração.
Este artigo apresenta um framework em cascata de dois estágios que gera vídeos complexos de movimentos humanos a partir de descrições textuais, combinando um modelo autoregressivo texto-para-esqueleto para criar sequências de poses e um modelo de difusão vídeo-para-poses com codificador de referência adaptativo, apoiado por um novo conjunto de dados sintético para superar as limitações atuais no controle temporal e na preservação de aparência.
O artigo apresenta o QualiTeacher, um novo quadro de trabalho que transforma o problema das pseudo-rótulos imperfeitos na restauração de imagens do mundo real ao condicionar explicitamente o modelo de estudante à qualidade estimada desses rótulos, permitindo assim aprender um manifold de restauração graduado que evita artefatos e extrapola para gerar resultados de qualidade superior.
Este artigo apresenta uma solução robusta para o 10º Desafio de Reconhecimento de Expressão da ABAW, utilizando um framework multimodal com atenção cruzada segura e dropout de modalidade para lidar eficazmente com oclusões, dados ausentes e desequilíbrio de classes, alcançando 60,79% de precisão no conjunto de validação Aff-Wild2.
O Speed3R é um modelo de reconstrução 3D feed-forward eficiente que supera os gargalos computacionais de atenção densa ao empregar um mecanismo de atenção de dois ramos focado em tokens informativos, alcançando um aumento de velocidade de 12,4x em sequências de 1000 vistas com uma perda mínima de precisão geométrica.
Este artigo apresenta o "See & Switch", um quadro interativo de ensino e execução para robôs que utiliza percepção visual baseada em câmeras olho-na-mão para selecionar automaticamente ramificações em tarefas condicionais e detectar contextos anômalos, permitindo uma programação por demonstração escalável e independente do modo de entrada, conforme validado em tarefas de manipulação e estudos com usuários.
O artigo apresenta o ImageEdit-R1, um framework multiagente que utiliza aprendizado por reforço para coordenar agentes especializados em visão e linguagem, superando as limitações de modelos existentes ao tratar a edição de imagem como um problema de tomada de decisão sequencial para executar instruções complexas e contextuais com maior precisão.
Este artigo apresenta uma nova arquitetura de classificação plug-and-play que utiliza um Modelo de Visão e Linguagem de Grande Escala (LVLM) para realizar modelagem relacional conjunta entre imagens de drones e satélites, aprimorando significativamente a precisão da geolocalização por meio de uma função de perda relacional inovadora que fornece supervisão granular.
Este trabalho propõe novas métricas de avaliação para modelos generativos baseadas em distribuições de tokens visuais discretos, introduzindo o CHD e o CMMS, e apresenta o benchmark VisForm para demonstrar que essas abordagens superam os métodos tradicionais em correlação com julgamentos humanos.