3925 artigos
O artigo apresenta o OccTrack360, um novo benchmark para rastreamento de ocupação panorâmica 4D a partir de câmeras de visão surround com lentes fish-eye, juntamente com o método FoSOcc, que aborda desafios específicos de projeção esférica e localização em voxel para melhorar a consistência temporal e espacial em ambientes dinâmicos.
O artigo apresenta o "Interactive World Simulator", um framework que utiliza modelos de consistência para criar simulações interativas rápidas e fisicamente consistentes a partir de dados moderados, permitindo o treinamento e avaliação escaláveis de políticas robóticas com desempenho comparável ao real.
O artigo propõe o algoritmo Online FISTA, um método de reconstrução online de imagens de Radar de Abertura Sintética (SAR) que utiliza codificação esparsa para atualizar recursivamente os dados de armazenamento, permitindo processamento eficiente em drones autônomos e facilitando tarefas downstream como reconhecimento automático de alvos.
O artigo apresenta o DualFlexKAN (DFKAN), uma arquitetura inovadora de redes Kolmogorov-Arnold que, ao empregar um mecanismo de estágio duplo com controle independente de transformações e ativações, supera as limitações de escalabilidade e rigidez das KANs tradicionais, oferecendo maior precisão, eficiência computacional e adaptabilidade para tarefas científicas com significativamente menos parâmetros.
O artigo apresenta o PRISM, um modelo unificado de geração de movimento humano que supera desafios anteriores ao utilizar um espaço latente fatorizado por junta e injeção de condição livre de ruído, permitindo síntese de alta qualidade e streaming para tarefas como geração baseada em texto, condicionada a poses e sequencial.
Este artigo propõe um framework de aprendizado fraco supervisionado com refinamento progressivo de máscaras pseudo, utilizando uma rede professora estabilizada por média móvel exponencial e anotações esparsas de patologistas, que alcança segmentação precisa e generalizável de glândulas em histopatologia colorretal sem a necessidade de anotações em nível de pixel em larga escala.
O artigo apresenta o RAF (Retrieval-Augmented Faces), uma técnica de aumento de treinamento que melhora a generalização de expressões em avatares de cabeça sem modelo, substituindo características de expressão durante o treinamento por vizinhos mais próximos de um banco de dados não rotulado para aumentar a diversidade e robustez sem necessidade de dados parecidos entre identidades ou alterações arquitetônicas.
Este artigo propõe um modelo de detecção de objetos RGB-D em tempo real que utiliza uma hiper-invólucro baseada em funções de base radial (RBF) ponderadas dinamicamente e uma camada de fusão treinável para superar as limitações na extração simultânea de características fotométricas e de profundidade, alcançando o melhor desempenho entre os métodos existentes no conjunto de dados NYU Depth V2.
Este artigo propõe um novo sistema de detecção de alucinações visuais estruturais em imagens de personagens de desenho animado geradas por modelos Texto-para-Imagem, utilizando um Modelo Visão-Linguagem aprimorado por aprendizado em contexto com orientação de pose (PA-ICVL), que demonstra melhorias significativas de desempenho em comparação com métodos baseados apenas em imagens RGB.
O artigo apresenta o Fuse4Seg, um novo framework que reformula a fusão de imagens médicas multimodais como um problema de otimização bi-nível orientado à segmentação, utilizando gradientes semânticos para preservar detalhes críticos e superar o estado da arte ao mesmo tempo em que oferece interpretabilidade clínica.
O artigo propõe o PACE, um método de ajuste fino eficiente em parâmetros que combina regularização de consistência com perturbação de características para reduzir as normas dos gradientes e alinhar o modelo ajustado ao pré-treinado, melhorando assim a generalização em diversas tarefas visuais e de linguagem.
O FALCON é um método de pré-treinamento auto-supervisionado para reconhecimento de ações em vídeos de UAVs que supera o desequilíbrio espacial típico de imagens aéreas ao integrar um autoencoder mascarado consciente de objetos com reconstrução futura de duplo horizonte, resultando em maior precisão e inferência significativamente mais rápida em comparação com abordagens supervisionadas.
O artigo apresenta o AuthFace, um novo quadro de trabalho que utiliza um prior de difusão generativa orientado a rostos, treinado em um conjunto de dados de alta qualidade com anotações fotográficas e uma perda de características latentes sensível ao tempo, para restaurar rostos com alta autenticidade e detalhes, superando as limitações dos métodos atuais baseados em modelos de difusão texto-para-imagem.
Este artigo propõe um método auto-supervisionado e leve para reconstrução de dados sísmicos, que utiliza uma estratégia de aprendizado de auto-consistência para superar a dependência de conjuntos de dados externos e garantir estabilidade, demonstrando alta qualidade na reconstrução de dados com distribuição irregular.
O artigo apresenta o PPLLaVA, um modelo inovador que utiliza uma estratégia de agrupamento orientada por prompts para reduzir drasticamente a redundância e o custo computacional na compreensão de vídeos longos, mantendo alto desempenho em diversas tarefas de raciocínio visual.
O artigo apresenta o Ditto, um framework de síntese de cabeças falantes baseado em difusão que, ao gerar representações em um espaço de movimento específico e otimizar sua arquitetura para processamento em streaming, permite a criação de vídeos realistas com controle fino e inferência em tempo real.
O artigo apresenta o LEO, uma arquitetura simples e eficaz que otimiza a fusão de múltiplos codificadores visuais em modelos de linguagem multimodal através de uma receita leve de integração, demonstrando desempenho superior em diversos benchmarks e forte capacidade de generalização para domínios especializados como a condução autónoma.
O artigo apresenta o FeatureGS, um método que aprimora a reconstrução 3D por Splatting Gaussiano ao introduzir uma função de perda geométrica baseada em autovalores, resultando em maior precisão geométrica, redução drástica de artefatos flutuantes e menor uso de memória, permitindo o uso direto dos centros dos Gaussianos para representação geométrica.
O artigo apresenta o PoI (Pixel-of-Interest), um quadro que aprimora a regressão de coordenadas da cena para localização visual ao combinar a síntese de novas vistas refinada por difusão com uma estratégia progressiva de filtragem de pixels baseada em erro de reprojeção, garantindo assim a confiabilidade dos dados sintéticos e alcançando desempenho superior em benchmarks padrão.
Esta pesquisa oferece uma visão geral estruturada sobre como os modelos de linguagem multimodais estão transformando o ciclo de vida científico, abrangendo desde a descoberta e experimentação até a geração de conteúdo e avaliação, ao mesmo tempo que discute técnicas, tendências, desafios éticos e o potencial de integração em futuros sistemas de "IA para Ciência".