1863 artigos
O artigo apresenta o Splat2Real, um método que utiliza 3D Gaussian Splatting e uma estratégia de seleção de vistas chamada CN-Coverage para melhorar a robustez de percepção 3D em novas perspectivas, abordando o desafio de deslocamento de viewpoint na Inteligência Física.
O artigo apresenta o SLiM, um novo framework unificado que elimina a necessidade de decodificadores em modelos de mascaramento para aprendizado de representação de esqueletos, combinando modelagem mascarada e aprendizado contrastivo para alcançar desempenho superior com uma redução de 7,89 vezes no custo computacional de inferência.
O artigo apresenta o ROVA, um novo framework de treinamento que melhora a robustez de modelos de visão e linguagem em cenários do mundo real ao utilizar uma estratégia de aprendizado online adaptativa e uma recompensa de consistência, validada pelo novo benchmark PVRBench que demonstra ganhos significativos de precisão e raciocínio sob perturbações como clima e oclusão.
Este artigo apresenta uma análise sistemática das escolhas de design de incorporação em fluxos de trabalho de observação da Terra baseados em Modelos Fundacionais Geoespaciais, demonstrando como representações intermediárias compactas e bem projetadas podem substituir dados brutos massivos enquanto mantêm ou melhoram o desempenho em diversas tarefas.
Este artigo propõe uma arquitetura FPGA pipeline otimizada para a busca de vetores de deslocamento na ferramenta de cópia de padrão intra (IPC) do JPEG XS, alcançando um alto rendimento e baixo consumo energético que viabiliza sua implementação prática em hardware.
O artigo apresenta o A²-Edit, um novo framework unificado de edição de imagens que, apoiado pelo grande conjunto de dados UniEdit-500K e por técnicas inovadoras como o módulo Mixture of Transformer e a estratégia de treinamento Mask Annealing, permite a substituição precisa de objetos arbitrários usando apenas máscaras grosseiras, superando os métodos existentes em generalização e robustez.
O artigo apresenta o MapGCLR, um método semi-supervisionado que utiliza aprendizado contrastivo geoespacial para melhorar a representação de características em visão de pássaro (BEV) na construção de mapas HD vetoriais online, superando as abordagens supervisionadas tradicionais ao aproveitar dados não rotulados com sobreposição de trajetórias.
O artigo apresenta o BorderNet, uma arquitetura de rede neural convolucional inspirada no córtex visual que melhora a robustez na classificação de imagens ocluídas ao modelar matematicamente o processo de conclusão de bordas.
O artigo "RandMark" propõe um método de marcação d'água aleatória que utiliza uma pequena rede encoder-decoder para embutir marcas digitais em representações internas de modelos fundacionais visuais, permitindo a verificação eficaz da propriedade intelectual com baixas taxas de falsos positivos e falsos negativos.
O artigo apresenta o UniCom, um modelo unificado multimodal que supera as limitações dos tokenizadores discretos e a instabilidade de representações contínuas ao utilizar um compressor semântico baseado em atenção para criar representações contínuas compactas, alcançando desempenho de ponta em geração e edição de imagens com alta consistência.
O artigo apresenta o WalkGPT, um modelo de linguagem e visão grande (LVLM) pixel-grounded que integra raciocínio linguístico e segmentação para fornecer orientação de navegação acessível e consciente de profundidade, acompanhado pelo lançamento do benchmark PAVE.
Este artigo apresenta o CTCNet, uma rede de cognição de tráfego multiespectral que integra conhecimento regulatório e compensação de qualidade entre modalidades óptica e térmica, juntamente com o novo benchmark Traffic-VQA, para superar as limitações de métodos existentes na compreensão de cenas de tráfego em UAVs sob condições adversas.
Este artigo apresenta o conjunto de dados eLasmobranc, uma coleção pública e curada de imagens de sete espécies de elasmobrânquios da costa mediterrânea espanhola, obtidas predominantemente fora da água com protocolos padronizados para permitir a classificação de espécies de alta precisão e apoiar o monitoramento da biodiversidade e a conservação.
O artigo apresenta o Just-in-Time (JiT), um novo framework sem necessidade de treinamento que acelera a inferência de Transformers de Difusão explorando a redundância espacial através de uma ODE aproximada e um micro-fluxo determinístico, alcançando até 7x de velocidade no modelo FLUX.1-dev com desempenho quase sem perdas.
Este artigo propõe um sistema de fotometria estereoscópica baseado em eventos que utiliza uma única fonte de luz rotativa e uma rede neural leve por pixel para estimar normais de superfície com alta precisão e robustez em condições de iluminação variável e alto alcance dinâmico, sem necessidade de calibração do sistema.
O artigo "CodePercept" identifica que a percepção, e não o raciocínio, é o principal gargalo para o raciocínio visual STEM em MLLMs e propõe uma nova abordagem que utiliza código executável como meio perceptivo, fundamentado no dataset ICC-1M e avaliado pelo benchmark STEM2Code-Eval, para superar as limitações de alucinação e ambiguidade dos métodos atuais.
O artigo propõe a "Condition-Degradation Guidance" (CDG), uma técnica leve e plug-and-play que substitui o prompt nulo na Orientação Livre de Classificador por uma condição semanticamente degradada, melhorando significativamente a precisão composicional e o alinhamento texto-imagem em modelos de difusão modernos sem necessidade de treinamento adicional.
O artigo propõe o uso de "Super Neurônios", que são ativações escalares diretas de camadas iniciais de Modelos de Linguagem Visuais, para criar classificadores precisos em tarefas de VQA categórica que permitem uma saída antecipada extrema e alcançam acelerações de até 5,10 vezes sem necessidade de ajuste fino.
Este artigo apresenta o LGA-RCM-YOLO, um modelo de segmentação de instâncias de interface de fase baseado em YOLO11m que, utilizando o novo conjunto de dados CTG 2.0, supera os métodos convencionais na monitorização de processos laboratoriais em vidrarias transparentes, alcançando alta precisão e velocidade para automação.
Este trabalho propõe o Alinhamento de Granularidade Semântica (SGA), uma abordagem que, ao analisar a dinâmica de otimização do Flow Matching sob uma perspectiva geométrica quadrática, intervém no campo residual vetorial para mitigar conflitos de gradiente e melhorar a eficiência e a integridade estrutural na síntese de imagens a partir de texto.