3992 artigos
O artigo propõe o SSL-SLR, um framework de aprendizado auto-supervisionado para reconhecimento de língua de sinais que supera as limitações dos métodos contrastivos tradicionais ao introduzir pares negativos livres e uma nova técnica de aumento de dados, resultando em representações mais discriminativas e desempenho superior em diversas tarefas.
O artigo apresenta o RED, uma rede de desembaçamento de movimento guiada por eventos que utiliza uma estratégia de perturbação robusta e um mecanismo de desentrelaçamento específico de modalidades para superar a subnotificação de eventos e alcançar desempenho superior em condições reais.
O artigo propõe o Kernel VICReg, um novo framework de aprendizado auto-supervisionado que leva o objetivo VICReg para um Espaço de Hilbert de Reprodutor de Kernel (RKHS) para capturar dependências não lineares e melhorar a representação de dados sem rótulos, demonstrando ganhos consistentes sobre métodos euclidianos em diversos conjuntos de dados.
O artigo apresenta o C²Prompt, um novo método para aprendizado contínuo federado que mitiga o esquecimento temporal e espacial ao aprimorar a coerência do conhecimento entre classes por meio de um mecanismo de compensação de distribuição local e um esquema de agregação de prompts consciente das classes, alcançando desempenho superior em diversos benchmarks.
Este trabalho propõe uma abordagem baseada em visão para exploração semântica orientada a decisões em robôs com pernas, que utiliza arbitragem de evidências semânticas calibradas por confiança, memória topológica de crescimento controlado e seleção de subobjetivos baseada em utilidade semântica para transformar observações ruidosas em decisões de exploração estáveis e executáveis sem depender de reconstrução geométrica densa.
O artigo apresenta o DeCLIP, um framework eficiente e sem necessidade de replay que decopla as representações do CLIP por meio de prompts específicos para cada classe e de uma estratégia de temperamento de similaridade adaptativa, permitindo assim o aprendizado incremental multi-rótulo com alta precisão e mitigação do esquecimento catastrófico.
O artigo apresenta o BOUND, um detector de objetos para cenários de mundo aberto que supera as limitações das abordagens atuais ao inferir categorias grosseiras para objetos desconhecidos em vez de apenas rotulá-los genericamente, permitindo assim uma tomada de decisão mais informada e estruturada.
O artigo apresenta o LikePhys, um método livre de treinamento que avalia a compreensão de física intuitiva em modelos de difusão de vídeo utilizando uma métrica de preferência de plausibilidade, demonstrando forte alinhamento com preferências humanas e revelando que, apesar das dificuldades em dinâmicas complexas, a compreensão física melhora com o aumento da capacidade do modelo e das configurações de inferência.
O artigo apresenta o CanvasMAR, um modelo autoregressivo inovador para previsão de vídeo que utiliza uma "tela" global desfocada e um currículo de amostragem do fácil ao difícil para gerar vídeos de alta fidelidade com menos etapas de amostragem, superando métodos anteriores e rivalizando com abordagens baseadas em difusão.
O artigo apresenta o 3DThinker, um framework inovador que permite a modelos de linguagem e visão raciocinar sobre relações espaciais 3D a partir de vistas limitadas, alinhando latentes 3D gerados durante o raciocínio com modelos fundacionais sem a necessidade de dados 3D explicitamente rotulados.
O artigo apresenta o AURASeg, um framework de segmentação de áreas navegáveis para robôs embarcados que utiliza refinamento de bordas assistido por resíduos e upsampling guiado por atenção para superar desafios de precisão e eficiência em ambientes variados, validando seu desempenho em múltiplos conjuntos de dados e em dispositivos de borda como o Jetson Nano.
O artigo apresenta o CULTIVate, um novo benchmark que avalia a fidelidade cultural de modelos de texto para imagem ao analisar atividades sociais em 16 países, revelando disparidades sistemáticas entre nações do Norte e do Sul Global e propondo métricas que superam as existentes na correlação com julgamentos humanos.
O artigo propõe um quadro de otimização colaborativa de dupla mecânica que integra o desacoplamento estrutural de viés e o alinhamento global de distribuições para melhorar a justiça inter e intra-grupos em detectores de deepfakes, mantendo a precisão geral de detecção.
O artigo apresenta o LaxMotion, um framework que supera as limitações de generalização dos modelos atuais de geração de movimento humano 3D ao substituir a supervisão precisa de coordenadas por uma abordagem baseada em consistência estrutural e pistas cinemáticas 2D, resultando em movimentos mais diversificados e robustos.
Este artigo propõe um novo quadro de avaliação e a métrica CRT para analisar a "iconicidade multimodal" em modelos de difusão, distinguindo entre o reconhecimento de referências culturais e sua realização (replicação ou reinterpretação), demonstrando que o comportamento desses modelos em contextos culturalmente icônicos depende de fatores como frequência de dados, unicidade textual e popularidade, indo além da simples reprodução de imagens.
O artigo apresenta o Co-Layout, um novo framework que combina modelos de linguagem grandes (LLMs) com programação inteira baseada em grade para otimizar conjuntamente o layout de interiores e a disposição de móveis, utilizando uma estratégia de otimização de grossa para fina que supera os pipelines de design em duas etapas existentes.
O artigo apresenta o SPARK, um framework de jailbreak para modelos de texto-para-vídeo que contorna as barreiras de segurança combinando âncoras de cena neutras, gatilhos auditivos latentes e moduladores estilísticos para induzir a geração de vídeos semanticamente inseguros de forma imperceptível.
O artigo apresenta o MRIQT, um modelo de difusão condicional 3D que utiliza degradação de espaço-K realista e atenção volumétrica para transferir com sucesso a qualidade de imagens de ressonância magnética neonatal de ultra-baixo campo para padrões de alto campo, superando métodos anteriores e garantindo fidelidade anatômica para avaliação clínica confiável.
O artigo apresenta o FunnyNodules, um conjunto de dados sintético totalmente parametrizado com nódulos pulmonares abstratos e anotações densas que permitem avaliar e desenvolver modelos de IA explicável na medicina ao verificar se as previsões são baseadas nos atributos visuais corretos.
O artigo apresenta o FireScope, um novo framework baseado em modelos de linguagem visual que utiliza raciocínio passo a passo para prever mapas de risco de incêndio com alta generalização entre continentes, apoiado pelo conjunto de dados e benchmark FireScope-Bench.