4142 artigos
O artigo apresenta o VG3S, um novo framework que integra capacidades geométricas de Fundamentos Visuais (VFMs) ao método de Gaussian Splatting para melhorar significativamente a precisão da previsão de ocupação semântica 3D em cenários de direção autônoma.
O artigo apresenta o CoE, um framework de sumarização multimodal sem treinamento que utiliza um Grafo de Eventos Hierárquico para guiar um raciocínio estruturado em cadeia de eventos, superando os métodos atuais em precisão, interpretabilidade e generalização entre domínios.
O artigo apresenta o EntON, uma estratégia inovadora de densificação de vizinhança otimizada por Entropia Eigen em 3D Gaussian Splatting que utiliza características geométricas locais para alternar entre refinamento baseado em gradiente e densificação consciente da estrutura, resultando em reconstruções 3D com maior precisão geométrica e qualidade de renderização, ao mesmo tempo que reduz o número de Gaussianas e o tempo de treinamento.
O artigo apresenta o WAFL, uma nova abordagem para localização temporal de falsificações que substitui os métodos tradicionais de regressão por classificação binária em nível de palavras, utilizando módulos de realinhamento de características e uma função de perda assimétrica para alcançar maior precisão e eficiência computacional.
O artigo propõe o SSLA-Det, um modelo de detecção de objetos baseado em eventos que utiliza a atenção linear espacialmente esparsa (SSLA) para superar os gargalos de treinamento e eficiência das abordagens assíncronas existentes, alcançando estado da arte em precisão enquanto reduz a computação por evento em mais de 20 vezes.
O artigo apresenta o TaPD, um framework unificado e plug-and-play que utiliza destilação de conhecimento progressiva e um módulo de preenchimento temporal para melhorar significativamente a previsão de trajetórias em veículos autônomos, especialmente em cenários com históricos de observação variáveis ou extremamente curtos.
O artigo propõe o DC-Merge, um método de fusão de modelos que melhora a retenção de conhecimento ao equilibrar a distribuição de energia dos vetores de tarefa e alinhar suas geometrias direcionais em um subespaço ortogonal compartilhado, alcançando desempenho superior em benchmarks de visão e visão-linguagem.
O artigo apresenta o HCF-RES, um novo framework multimodal que alcança resultados de última geração na segmentação de referência generalizada em 3D (3D-GRES) ao decompor semântica visual hierarquicamente usando máscaras do SAM e integrar progressivamente características 2D e 3D com refinamento guiado por linguagem.
O artigo apresenta o NOVA, um novo paradigma de rastreamento 3D multi-objeto que utiliza modelos de linguagem autoregressivos para generalizar a detecção de alvos desconhecidos através da modelagem gerativa de sequências semânticas espaço-temporais, alcançando desempenho superior em conjuntos de dados como nuScenes.
O artigo apresenta o GazeMoE, um novo framework end-to-end que utiliza módulos de Mistura de Especialistas (MoE) para selecionar adaptativamente pistas de um modelo de fundação congelado e estimar com estado da arte o alvo do olhar humano, abordando desafios como desequilíbrio de classes e a necessidade de integrar múltiplas pistas multimodais.
O artigo apresenta o ODD-SEC, um sistema de detecção de drones em tempo real projetado para plataformas móveis que utiliza uma câmera de eventos giratória para oferecer visão de 360 graus e estimativa de direção, superando as limitações de iluminação e movimento das câmeras tradicionais por meio de uma nova representação de eventos e uma rede neural leve.
O artigo apresenta o HiPP-Prune, um framework de poda estruturada hierárquica para modelos visão-linguagem que utiliza otimização de política baseada em preferências do usuário para gerenciar o trade-off entre eficiência, utilidade da tarefa e robustez contra alucinações, preservando a sensibilidade visual crítica durante a compressão.
O artigo apresenta o StrSR, um novo framework de destilação adversarial em um único passo que utiliza regularização espectral e de trajetória para superar as limitações de distorções periódicas e incompatibilidade de trajetórias nos modelos Diffusion Transformer, alcançando desempenho de ponta em super-resolução de imagens do mundo real.
O artigo apresenta o benchmark OccNL e o método DPR-Occ, uma nova abordagem robusta a ruídos de rótulo que supera as limitações das estratégias 2D ao garantir previsões precisas de ocupação semântica 3D em ambientes dinâmicos e com dados corrompidos.
O artigo apresenta o ADiVA, uma abordagem de aprendizado zero-shot generativo que supera desafios como a lacuna classe-instância e a discrepância semântico-visual ao modelar distribuições de atributos e alinhar explicitamente representações semânticas e visuais, alcançando desempenho superior em benchmarks padrão.
O artigo apresenta o FlowMotion, uma nova estrutura sem treinamento que realiza transferência de movimento em vídeos de forma eficiente e flexível, utilizando diretamente as previsões latentes de modelos T2V baseados em fluxo para alinhar padrões de movimento e estabilizar a geração.
Este artigo propõe um método inovador de remoção de artefatos em imagens 3D de CBCT dentário, utilizando modelos de difusão baseados em pontuação perpendicular que operam no domínio das projeções para preservar as correlações espaciais e gerar reconstruções de alta qualidade.
O artigo apresenta o DEX-AR, um novo método de explicabilidade dinâmica para modelos de linguagem e visão autoregressivos que gera mapas de calor 2D para interpretar a geração de tokens, distinguindo entre informações visuais e linguísticas por meio de filtragem dinâmica de cabeças de atenção e agregação em nível de sequência.
O artigo propõe o LTA (Latent Transfer Attack), um método de ataque adversarial que otimiza perturbações no espaço latente de um VAE do Stable Diffusion em vez do espaço de pixels, resultando em exemplos mais robustos, de baixa frequência e com maior capacidade de transferência entre diferentes arquiteturas de modelos de visão computacional.
O artigo propõe o WMoE-CLIP, um método de aprendizado de prompts para detecção de anomalias zero-shot que combina um autoencoder variacional, decomposição por wavelets e um módulo de mistura de especialistas para superar as limitações de abordagens existentes na captura de semântica complexa e anomalias sutis.