4010 artigos
O artigo apresenta o VeilGen, um modelo generativo não supervisionado que aprende a simular o brilho de lentes (veiling glare) estimando mapas de transmissão e brilho latentes, e o DeVeiler, uma rede de restauração que utiliza esses mapas para remover eficazmente esse tipo de degradação em sistemas ópticos simplificados, superando métodos existentes em qualidade e fidelidade física.
Este artigo apresenta o UAM, uma nova arquitetura unificada que combina mecanismos de atenção e Mamba para criar um backbone multimodal de alto desempenho, alcançando resultados state-of-the-art na classificação de células tumorais e segmentação de imagens médicas.
O artigo apresenta o EgoCogNav, um framework de navegação egocêntrica multimodal que prevê incerteza percebida como estado latente para antecipar trajetórias e movimentos da cabeça, apoiado pelo novo conjunto de dados CEN que captura comportamentos de navegação em cenários reais.
O artigo apresenta o SyncMV4D, um modelo pioneiro que gera simultaneamente vídeos multi-visão e movimentos 4D sincronizados para interações mão-objeto, unindo priores visuais, dinâmicas de movimento e geometria multi-visão para superar as limitações de métodos atuais em realismo e consistência geométrica.
O artigo apresenta o ReInversion, um método de edição de imagem sem treinamento que utiliza um processo de inversão reversível de duas etapas e uma estratégia de desruído seletivo guiado por máscara para alcançar desempenho superior na edição baseada em exemplos com baixo custo computacional.
Este artigo apresenta um método de registro de imagens de corpo inteiro do UK Biobank que utiliza máscaras de tecido adiposo subcutâneo e muscular para melhorar a precisão da alinhamento espacial em comparação com métodos baseados apenas em intensidade ou existentes.
O artigo apresenta o UniTS, um modelo generativo unificado de espaço-tempo baseado em fluxo de correspondência que integra tarefas como reconstrução, remoção de nuvens, detecção de mudanças e previsão de séries temporais de sensoriamento remoto, superando modelos especializados existentes ao oferecer geração controlada de alta qualidade sob condições desafiadoras.
Este trabalho propõe uma abordagem baseada em nuvem de pontos para estimativa de pose humana que explora as propriedades espaço-temporais de câmeras de eventos, utilizando módulos de convolução de fatias temporais e representação de nuvem de pontos aprimorada por bordas para melhorar a precisão e a eficiência computacional sem converter os fluxos de eventos em quadros densos.
O artigo apresenta o DFIR-DETR, um detector baseado em transformers que melhora a detecção de objetos pequenos em cenas complexas através da Aggregação Dinâmica de Conteúdo-Recursos (DCFA), da Pirâmide de Recursos Dinâmica (DFPN) e do Refinamento Iterativo no Domínio da Frequência (FIRC3), alcançando desempenho superior com eficiência computacional reduzida.
O artigo apresenta o Fast-BEV++, um novo framework de percepção em visão de pássaro (BEV) que resolve o compromisso entre precisão e eficiência de implantação através de um design algorítmico otimizado para hardware, alcançando um novo estado da arte no benchmark nuScenes com 0,488 NDS e inferência em tempo real superior a 134 FPS sem depender de kernels personalizados.
Este artigo apresenta um novo framework que combina seleção de subconjuntos submodulares com estimativa de incerteza baseada em gradientes para melhorar a robustez e a fidelidade da explicabilidade visual sob mudanças de distribuição, superando as limitações dos métodos existentes em cenários fora da distribuição (OOD) e também em cenários dentro da distribuição (ID).
O artigo apresenta o Photo3D, um framework que aprimora a geração de 3D fotorrealista ao utilizar imagens sintetizadas pelo GPT-4o-Image em um pipeline de síntese multi-visão alinhada à estrutura, superando a falta de dados 3D reais de alta qualidade e alcançando desempenho state-of-the-art na geração de texturas detalhadas e consistentes.
Este artigo apresenta um framework modular de processamento de sinal de imagem (ISP) baseado em redes neurais que oferece controle total sobre as etapas intermediárias de renderização, garantindo alta qualidade, escalabilidade e flexibilidade para edição interativa e re-renderização ilimitada de imagens.
Este artigo apresenta uma abordagem inovadora de Análise Topológica de Dados (TDA) baseada em patches para imagens de tomografia computadorizada (CT), que supera os métodos tradicionais de complexo cúbico e características radiômicas em precisão, sensibilidade e eficiência computacional, sendo disponibilizada através do pacote Python Patch-TDA.
O artigo apresenta o VTP, um novo framework de pré-treinamento unificado para tokenizadores visuais que, ao otimizar conjuntamente perdas de contraste, auto-supervisionadas e de reconstrução, resolve o problema de escalabilidade ao alinhar a representação do espaço latente com semântica de alto nível, resultando em uma geração de imagens significativamente mais eficiente e de maior qualidade.
O artigo apresenta o CASA, um modelo que reinvestiga e demonstra a eficácia da atenção cruzada como uma alternativa eficiente e de baixa latência à inserção de tokens para fusão visão-linguagem, superando limitações anteriores de desempenho e custo computacional em aplicações como legendagem de vídeo em tempo real.
Este artigo apresenta um codificador de histórico leve e pré-treinado que comprime longos históricos de vídeo em embeddings curtos, garantindo consistência de conteúdo na geração autoregressiva de vídeo mesmo em ambientes com recursos computacionais limitados.
O artigo apresenta o Spatial4D-Bench, um benchmark abrangente e de grande escala com cerca de 40.000 pares de perguntas e respostas em 18 tarefas, projetado para avaliar e revelar as limitações atuais dos Modelos de Linguagem Multimodal (MLLMs) na inteligência espacial 4D em comparação com a capacidade humana.
O artigo apresenta o MDENeRF, um framework iterativo que refina estimativas de profundidade monoculares utilizando a fusão bayesiana entre um prior global e detalhes de alta frequência derivados da incerteza de campos radiantes neurais (NeRFs), melhorando a precisão geométrica em cenas internas.
O artigo apresenta o FlyPose, um pipeline leve e robusto para estimativa de pose humana em imagens aéreas que, ao ser treinado em múltiplos conjuntos de dados e acompanhado pelo novo dataset FlyPose-104, alcança melhorias significativas na precisão e executa em tempo real em drones, superando desafios como baixa resolução e oclusão.