3919 artigos
O artigo apresenta o SAVE, um método de aprendizado de representação de vídeo que supera os atuais métodos de ponta ao incorporar uma ramificação dedicada para processar o conteúdo de fala e utilizar o soft-ALBEF para alinhamento precoce entre visão e áudio, resultando em melhorias significativas em cinco benchmarks de recuperação vídeo-texto.
O artigo apresenta o SRNeRV, um novo framework recursivo em escala que utiliza um esquema de compartilhamento híbrido para reduzir significativamente a redundância de parâmetros em Representações Neurais Implícitas (INRs) de vídeo, alcançando melhor desempenho na relação taxa-distorção ao reutilizar módulos invariantes à escala.
O artigo apresenta o GarmentPainter, um framework eficiente que utiliza um modelo de difusão guiado por características do personagem e mapas de posição UV para sintetizar texturas de roupas 3D de alta fidelidade e consistentes, superando métodos existentes sem exigir alinhamento espacial rígido ou modificações na arquitetura do modelo.
Este estudo utiliza métodos de aprendizado profundo avançados e imagens ultra-widefield para avaliar a qualidade de imagem, detectar retinopatia diabética referível e edema macular diabético, demonstrando o alto desempenho de modelos como Vision Transformers e a eficácia da fusão de características e representações no domínio da frequência.
O artigo apresenta o SiMO, um método inovador de percepção colaborativa multimodal que, através da fusão adaptativa LAMMA e de uma estratégia de treinamento específica, resolve problemas de incompatibilidade semântica e competição entre modalidades, garantindo desempenho robusto mesmo quando sensores críticos como o LiDAR falham.
Este artigo propõe uma reformulação topologicamente estável da Transformada de Hough para detecção de linhas em nuvens de pontos, substituindo o esquema de votação discretizado por uma função de pontuação contínua cujas características persistentes, identificadas via homologia persistente, geram um conjunto de linhas candidatas calculadas eficientemente por um novo algoritmo.
O artigo propõe o DynamicVGGT, um framework unificado de feed-forward que estende a percepção 3D estática para a reconstrução dinâmica 4D em direção autônoma, utilizando atenção temporal consciente do movimento e um cabeçalho de Gaussian Splatting 3D para modelar e otimizar o movimento de pontos com alta precisão.
O artigo apresenta o WaDi, um novo framework de destilação para síntese de imagem em um único passo que, baseado na descoberta de que as mudanças na direção dos pesos são mais críticas que as de norma, utiliza o adaptador LoRaD para alcançar desempenho de ponta com apenas 10% dos parâmetros treináveis.
Este trabalho propõe um método de aprendizado livre para o rastreamento de pose 6D de objetos que funde fluxo óptico baseado em eventos para propagação de pose com uma correção baseada em templates, superando as limitações de câmeras RGB-D em cenários dinâmicos de alta velocidade.
O artigo "Prototype-Guided Concept Erasure in Diffusion Models" propõe um método que utiliza protótipos derivados da geometria de incorporação latente para identificar e condicionar negativamente representações internas, permitindo a eliminação confiável de conceitos amplos e complexos em modelos de difusão sem comprometer a qualidade da imagem gerada.
O artigo propõe o OSCAR, um método baseado em representações implícitas neurais que realiza a reconstrução completa da anatomia vertebral a partir de imagens de ultrassom parciais sem necessidade de rótulos anatómicos, superando os desafios de sombreamento acústico e obtendo uma melhoria de 80% no desempenho em comparação com os métodos mais avançados.
O artigo apresenta o SP-CLIP, um framework leve que aprimora o reconhecimento de ações zero-shot ao utilizar prompts semânticos estruturados em múltiplos níveis de abstração para alinhar representações de vídeo com descrições textuais ricas, sem a necessidade de modificar os codificadores visuais ou aprender parâmetros adicionais.
O artigo propõe uma abordagem de geração de imagens de CT a partir de texto que utiliza a recuperação de casos clínicos relacionados para fornecer orientação anatômica explícita via ControlNet, melhorando a fidelidade e a consistência clínica dos modelos generativos volumétricos sem depender de anotações de referência.
Este artigo apresenta um novo método de ajuste fino que melhora a robustez de Vision Transformers (ViTs) sob mudanças de distribuição ao orientar o raciocínio do modelo para conceitos semânticos de nível de partes, utilizando máscaras geradas automaticamente por LLMs e VLMs para reduzir a dependência de correlações espúrias.
O artigo apresenta o HDR-NSFF, um novo paradigma que substitui a fusão tradicional de imagens 2D por uma modelagem espaço-temporal 4D contínua para reconstruir campos de radiância de alta faixa dinâmica a partir de vídeos monoculares com exposições alternadas, superando artefatos de fantasmas e garantindo consistência temporal em cenas dinâmicas.
O artigo apresenta o SlowBA, um ataque de backdoor inovador que compromete a eficiência de agentes de interface gráfica baseados em modelos de linguagem e visão (VLM) ao induzir cadeias de raciocínio excessivamente longas sob gatilhos específicos, aumentando significativamente a latência de resposta sem prejudicar a precisão das tarefas.
Este estudo compara o desempenho humano e de IA no reconhecimento de ações em primeira pessoa, revelando que humanos dependem de pistas espaciais críticas e esparsas para identificar ações, enquanto os modelos atuais degradam-se de forma mais gradual, baseando-se excessivamente em contextos e características de baixo nível, o que evidencia uma divergência fundamental na robustez e nos mecanismos de reconhecimento entre ambos.
Este trabalho apresenta um framework geral para avaliar a qualidade de mapas de calor em aprendizado de múltiplas instâncias (MIL) para patologia digital, demonstrando que métodos como perturbação, LRP e IG superam os baseados em atenção e permitem validação biológica e descoberta de estratégias de modelos sem necessidade de rótulos adicionais.
O artigo apresenta o SOT-GLP, um método de aprendizado de prompts que combina alinhamento global e local utilizando transporte ótimo esparso para particionar regiões visuais salientes entre prompts específicos de classe, alcançando desempenho superior em classificação com poucos exemplos e detecção de dados fora de distribuição ao preservar a geometria nativa do modelo CLIP.
O artigo apresenta o VLA, um modelo de Visão-Linguagem-Ação que supera as abordagens preditivas tradicionais ao gerar ações baseadas na variação do conhecimento do mundo em relação a um prior explícito, utilizando um extrator de prior, quantização latente e atenção condicional para alcançar desempenho superior e maior eficiência em tarefas robóticas.