4027 artigos
Este artigo propõe o algoritmo GFHTP₁, uma abordagem de perseguição de limiarização dura baseada em Mínimos Desvios Absolutos (LAD) que recupera sinais esparsos de medições contaminadas por outliers sem exigir conhecimento prévio do nível de esparsidade, garantindo convergência teórica e desempenho superior em experimentos numéricos.
O artigo apresenta o SpatialMem, um sistema baseado em memória que utiliza uma estrutura espacial métrica 3D como índice interpretável para permitir a recuperação e perguntas e respostas (QA) fundamentadas em linguagem a partir de vídeos egocêntricos de longo alcance, demonstrando robustez em cenários reais sem a necessidade de sensores especializados.
O artigo apresenta o OnlineSI, um framework que aprimora a compreensão espacial e o posicionamento de objetos em modelos de linguagem multimodais para sistemas corporificados, mantendo uma memória espacial finita e integrando nuvens de pontos 3D com informações semânticas para operar continuamente em ambientes dinâmicos.
O artigo propõe o SRA 2, um framework leve e intrínseco que alinha as características latentes intermediárias de transformadores de difusão com recursos de VAEs pré-treinados via uma camada de projeção simples, acelerando significativamente o treinamento e melhorando a qualidade de geração sem a sobrecarga computacional de modelos externos ou configurações duplas.
O artigo apresenta o FARTrack, um framework de rastreamento visual autogressivo rápido que utiliza destilação auto-específica e esparsificação interquadros para alcançar alto desempenho e velocidade de inferência em tempo real em dispositivos com recursos limitados.
O artigo apresenta o SpatialReward, um modelo de recompensa que utiliza raciocínio espacial explícito para superar a lacuna de percepção no aprendizado por reforço online, oferecendo sinais de avaliação mais precisos e melhorando significativamente o desempenho em tarefas de edição de imagem.
O artigo apresenta a (MGS)-Net, um framework inovador para geolocalização cruzada que supera as limitações de métodos existentes ao unificar a adaptação de escala micro-geométrica e o filtragem de estrutura macro-geométrica para alinhar com precisão imagens aéreas oblíquas e de satélite, alcançando desempenho state-of-the-art em benchmarks públicos.
O artigo apresenta o MiDAS, um sistema de código aberto e agnóstico à plataforma que permite a aquisição não invasiva e sincronizada de dados multimodais para cirurgia robótica minimamente invasiva, validado em robôs Raven-II e da Vinci Xi e acompanhado de um novo conjunto de dados anotados que inclui tarefas de sutura de reparo de hérnia.
O artigo apresenta o DAV-GSWT, um framework eficiente em dados que combina priores de difusão e amostragem ativa de vistas para sintetizar "Wang Tiles" de Gaussian Splatting de alta fidelidade a partir de observações mínimas, reduzindo significativamente a necessidade de dados de entrada enquanto mantém a integridade visual e o desempenho para ambientes virtuais em grande escala.
O artigo apresenta o RobSelf, um modelo auto-supervisionado que supera os desafios da super-resolução cruzada em dados do mundo real com desalinhamento espacial complexo, otimizando simultaneamente um tradutor de características e um filtro de referência para alcançar desempenho superior e maior eficiência em comparação com métodos existentes.
O artigo apresenta o UrbanAlign, um método pós-hoc que alinha modelos de linguagem e visão congelados às preferências humanas em tarefas urbanas sem reentrenamento, utilizando uma pipeline de três estágios que extrai conceitos e calibra pontuações via regressão, alcançando desempenho superior e total interpretabilidade no conjunto de dados Place Pulse 2.0.
Este artigo demonstra que a compreensão de affordance em Modelos de Fundação Visuais surge da composição de percepções geométricas e de interação, provando que a fusão de protótipos geométricos do DINO com mapas de atenção condicional a verbos do Flux permite uma estimativa de affordance competitiva, sem treinamento e em zero-shot.
O artigo apresenta o StoryTailor, um pipeline de aprendizado zero-shot que roda em uma única GPU RTX 4090 e gera narrativas visuais multitempo ricas em ação, preservando a identidade dos sujeitos e a continuidade do fundo por meio de três módulos sinérgicos: Atenção Centrada em Gaussiana (GCA), Reponderação de Valores Singulares Impulsionada por Ação (AB-SVR) e Cache de Esquecimento Seletivo (SFC).
O artigo apresenta o UniVBench, um novo benchmark unificado e uma avaliação agêntica (UniV-Eval) projetados para superar as limitações dos métodos atuais ao avaliar de forma integrada e rigorosa as capacidades de compreensão, geração, edição e reconstrução de vídeo em modelos de fundação de vídeo, utilizando um conjunto de dados diversificado e complexo criado por humanos.
Os autores propõem um método baseado em Redes Neurais de Grafos (GNN) que incorpora priores estruturais de proteínas para reconstruir conformações atômicas heterogêneas em imagens de criomicroscopia eletrônica (cryo-EM), superando abordagens tradicionais como MLPs ao combinar um modelo direto diferenciável com regularização geométrica.
O artigo apresenta o DPCache, uma nova estrutura de aceleração sem treinamento para modelos de difusão que formula a amostragem como um problema de planejamento de caminho global, utilizando um tensor de custo e programação dinâmica para selecionar timesteps-chave ótimos, resultando em uma aceleração significativa com ganhos de qualidade superiores aos métodos existentes.
O artigo apresenta o Synthetic Visual Genome 2 (SVG2), um conjunto de dados massivo e diversificado de grafos de cena espaciais e temporais em vídeos gerado por um pipeline automatizado, e o modelo TRaSER, que utiliza esse recurso para superar os métodos existentes na geração de grafos de cena e melhorar o desempenho em tarefas de resposta a perguntas sobre vídeos.
Este artigo propõe um novo quadro de desembaçamento adaptativo e dinâmico que utiliza um mecanismo de otimização em malha fechada, combinando feedback de tarefas downstream e instruções em texto, para ajustar a remoção de neblina em tempo real sem necessidade de retreinamento, atendendo assim às necessidades específicas de diversas aplicações de visão computacional.
Este artigo apresenta o PanScale, o primeiro grande conjunto de dados e benchmark para fusão de imagens multiespectrais em múltiplas escalas, e propõe o ScaleFormer, uma nova arquitetura baseada em transformadores que supera os métodos atuais ao generalizar eficazmente para resoluções não vistas durante o treinamento.
O artigo apresenta o Mobile-VTON, um framework de alta fidelidade e preservação de privacidade que permite a realização de provadores virtuais totalmente offline em dispositivos móveis, utilizando uma arquitetura modular otimizada que combina destilação de conhecimento, geração condicionada ao vestuário e alinhamento robusto para superar as limitações de segurança e desempenho das soluções baseadas em nuvem.