4137 artigos
Este artigo identifica e mitiga a "cegueira linguística" em modelos Visão-Linguagem-Ação (VLA), onde políticas robóticas ignoram instruções contraditórias em favor de pistas visuais, propondo o método IGAR, uma técnica de recalibração de atenção sem treinamento que restaura a fidelidade às instruções sem modificar a arquitetura do modelo.
O artigo apresenta o RepKAN, uma nova arquitetura que combina a eficiência das CNNs com o poder de representação não linear dos KANs para criar um modelo de classificação de imagens de sensoriamento remoto que é ao mesmo tempo de alto desempenho e fisicamente interpretável.
O artigo apresenta o EffectMaker, um framework unificado de raciocínio e geração que utiliza um modelo de linguagem multimodal e um transformador de difusão para criar efeitos visuais personalizados e consistentes sem necessidade de ajuste fino por efeito, apoiado pelo novo e extenso conjunto de dados EffectData.
O artigo apresenta o MOSIV, um novo framework que resolve o desafio da identificação de sistemas com múltiplos objetos a partir de vídeos, otimizando parâmetros de material contínuos por objeto através de um simulador diferenciável guiado por objetivos geométricos e demonstrando superioridade em precisão e fidelidade de simulação em um novo benchmark sintético.
O artigo apresenta o ViewFusion, um framework de duas etapas que separa o pré-alinhamento espacial entre múltiplas visões do raciocínio final, utilizando treinamento supervisionado e aprendizado por reforço (GRPO) para melhorar significativamente a precisão em tarefas de raciocínio espacial multiview.
O artigo apresenta o StruVis, um novo framework que aprimora a geração de imagens a partir de texto baseada em raciocínio ao utilizar representações visuais estruturadas em texto como estados intermediários, permitindo que modelos de linguagem multimodal percebam a estrutura visual sem a necessidade de gerar imagens intermediárias, o que resulta em melhor desempenho e integração agnóstica a geradores.
O artigo apresenta o OA-SORT, um framework de rastreamento multi-objeto plug-and-play e sem treinamento que introduz módulos de consciência de oclusão para mitigar a confusão de custos posicionais e melhorar a estabilidade da estimativa, demonstrando ganhos significativos em desempenho em diversos conjuntos de dados.
Este trabalho aborda a complexidade computacional dos hipercolunas densos em segmentação de imagens, demonstrando que o uso de subamostragem estratificada e aprendizado de conjunto em hipercolunas esparsos melhora significativamente o desempenho em tarefas de baixa disponibilidade de dados, superando a linha de base UNet em 24,53% no conjunto de dados de tumores cerebrais.
O artigo apresenta o FontUse, uma abordagem centrada em dados que utiliza um pipeline de anotação automatizado para criar um conjunto de dados de 70 mil imagens, permitindo que modelos de geração de imagem aprendam a renderizar tipografia consistente com prompts que especificam estilos de fonte e casos de uso sem necessidade de modificações arquitetônicas.
O artigo propõe o GvU, um mecanismo de recompensa intrínseca baseado em alinhamento texto-imagem que utiliza a capacidade de compreensão do modelo para guiar e aprimorar sua própria geração, fechando assim a lacuna entre entendimento e criação em modelos multimodais unificados.
O artigo apresenta o GenHOI, uma técnica leve que aprimora modelos de geração de vídeo pré-treinados para garantir interações mão-objeto consistentes e fisicamente plausíveis em cenários complexos, utilizando injeção de objetos equilibrada temporalmente e seletiva espacialmente.
O artigo apresenta o Curious-VLA, um framework que supera a limitação de políticas restritivas em modelos VLA de direção autônoma através de uma estratégia de expansão de trajetórias viáveis e amostragem adaptativa, alcançando resultados state-of-the-art no benchmark Navsim ao desbloquear o potencial exploratório desses modelos.
Este estudo investiga as falhas de Modelos Visuais-Linguísticos (VLMs) em cenários de condução autónoma, identificando que, embora alguns conceitos visuais sejam linearmente codificados, outros dependem de estruturas espaciais implícitas, e que as falhas podem ser classificadas como perceptivas (ausência de codificação linear) ou cognitivas (falha no alinhamento semântico), sendo a capacidade de distinção linear degradada rapidamente com o aumento da distância do objeto.
O artigo apresenta o TempoSyncDiff, um framework de difusão latente baseado em distilação que utiliza um modelo professor-aluno e regularização temporal para gerar cabeças falantes acionadas por áudio com alta fidelidade, estabilidade temporal e baixa latência, viabilizando sua implementação em dispositivos de borda.
Este artigo apresenta um pipeline inovador que transforma logs arquivados de sensores omnidirecionais RGB-LiDAR em inicializações robustas para 3D Gaussian Splatting, superando desafios de distorção e sobrecarga computacional para criar gêmeos digitais de alta qualidade a partir de dados existentes.
O artigo propõe a nova tarefa de Geração de Rosto Falante Emocionalmente Contínuo (EC-TFG) e apresenta o modelo TIE-TFG, que utiliza modelagem de flutuação emocional temporalmente intensiva para sintetizar vídeos realistas onde as expressões faciais mudam continuamente em sincronia com variações emocionais descritas no texto.
O artigo propõe os "Lyapunov Probes", uma abordagem que utiliza a teoria de estabilidade de sistemas dinâmicos para detectar alucinações em modelos de linguagem, identificando essas falhas como regiões instáveis nas bordas do espaço de representação onde a confiança do modelo decai sob perturbações.
O artigo apresenta o DeepSight, o primeiro modelo multimodal focado em profundidade que supera as limitações dos modelos existentes ao utilizar mapas de profundidade monocromáticos, um novo conjunto de dados instrucional e um codificador ViT modificado para aprimorar significativamente a compreensão de cenas tridimensionais e o raciocínio espacial.
Este artigo propõe um método de compressão de vídeo neural para cenas estáticas que incorpora ruído de incentivo positivo para separar variações transitórias do fundo persistente, permitindo uma redução significativa na taxa de bits com fidelidade de nível de pixel, sem introduzir detalhes alucinados.
O artigo propõe o FedARKS, um novo framework de aprendizado federado para re-identificação de pessoas que supera as limitações de métodos existentes ao integrar mecanismos de Seleção e Integração de Conhecimento Robusto e Discriminativo, permitindo capturar detalhes locais invariantes ao domínio e ponderar a agregação de modelos com base na qualidade dos clientes.