4150 artigos
O artigo apresenta o BridgeDrive, uma nova política de planejamento de trajetória baseada em difusão que utiliza um "ponte de difusão" para transformar trajetórias de referência em planos refinados e seguros, alcançando desempenho superior em benchmarks de condução autônoma em malha fechada.
O artigo apresenta o SphereAR, um modelo de geração de imagens autoregressivo que utiliza latentes em hiperesfera para estabilizar a decodificação e eliminar o colapso de variância, alcançando desempenho superior ao estado da arte em modelos de difusão e geração mascarada com escalas de parâmetros comparáveis.
Este artigo apresenta um novo método de super-resolução de vídeo contínuo em espaço e tempo que codifica a sequência como um Campo de Fourier 3D (VFF) para capturar detalhes espaciais e dinâmicas temporais de forma coerente, superando os métodos existentes em qualidade e eficiência computacional.
O artigo apresenta o EgoTraj-Bench, o primeiro benchmark do mundo real que alinha observações históricas ruidosas de visão em primeira pessoa com trajetórias futuras limpas, e propõe o modelo BiFlow, que utiliza um mecanismo de ancoragem ego-cêntrica para alcançar desempenho superior e maior robustez na previsão de trajetórias sob condições perceptivas imperfeitas.
Este artigo propõe o método SpecMCD, uma abordagem de detecção de nuvens com supervisão fraca que combina características espectrais e uma rede profunda de cena em múltiplas escalas para gerar máscaras de nuvens em nível de pixel com alta precisão, superando métodos existentes em cenários com diferentes coberturas de nuvens.
O VidGuard-R1 é um detector pioneiro de vídeos gerados por IA que utiliza otimização de política relativa em grupo (GRPO) e modelos de recompensa especializados para superar as limitações de conjuntos de dados estáticos, alcançando desempenho de última geração e fornecendo explicações forenses baseadas em raciocínio físico.
O artigo apresenta o SpineMed, um ecossistema co-desenvolvido com cirurgiões que inclui o conjunto de dados SpineMed-450k e o benchmark SpineBench, os quais superam as limitações atuais de modelos de visão e linguagem em tarefas de raciocínio espinhal específico por nível vertebral, demonstrando melhorias significativas na precisão diagnóstica e utilidade clínica.
O artigo apresenta o ExposureEngine, um sistema automatizado que utiliza caixas delimitadoras orientadas (OBB) e uma camada de agentes baseada em linguagem natural para detectar com precisão logotipos de patrocinadores em transmissões esportivas e calcular métricas de visibilidade, superando as limitações dos métodos tradicionais de caixas alinhadas aos eixos.
O artigo apresenta o TerraCodec, uma família de codecs aprendidos pré-treinados em dados do Sentinel-2 que supera os codecs clássicos na compressão de imagens multiespectrais e permite a remoção de nuvens em vídeo, abordando lacunas na compressão temporal e oferecendo modelos de taxa flexível.
Este artigo apresenta o XFactor, o primeiro modelo auto-supervisionado sem geometria capaz de verdadeira síntese de novas vistas, demonstrando que a transferibilidade de poses entre cenas é alcançável sem viéses 3D explícitos ou conceitos de geometria multivista.
O artigo apresenta o VIST3A, um framework que combina modelos de geração de vídeo e reconstrução 3D pré-treinados através de técnicas de "stitching" e ajuste por recompensa direta, permitindo a geração de cenas 3D consistentes e de alta qualidade a partir de texto.
Este artigo apresenta o DRBD-Mamba, um modelo de segmentação 3D eficiente e robusto para tumores cerebrais que utiliza curvas de preenchimento espacial e fusão gating para superar limitações computacionais e de generalização, alcançando ganhos significativos de precisão e eficiência em relação aos métodos atuais.
O artigo apresenta o MSSR, um framework de dupla agente que supera os desafios do raciocínio espacial em modelos visão-linguagem ao construir iterativamente um Conjunto Mínimo Suficiente de informações 3D, eliminando redundâncias e garantindo a precisão necessária para alcançar desempenho state-of-the-art em benchmarks desafiadores.
O artigo apresenta o framework SceneCOT, que introduz um método de raciocínio em cadeia de pensamento fundamentado em cenas 3D e o dataset SCENECOT-185K para superar as limitações atuais na resposta fundamentada de modelos de linguagem grandes em ambientes tridimensionais.
O artigo apresenta o Grasp Any Region (GAR), um modelo de linguagem multimodal que supera as limitações anteriores ao integrar contexto global e interações entre múltiplas regiões para permitir um entendimento visual preciso e raciocínio composicional avançado, validado pelo novo benchmark GAR-Bench e demonstrando capacidades superiores tanto em imagens quanto em vídeos.
O artigo apresenta o FLoC, um método de compressão de tokens visuais livre de treinamento e agnóstico a modelos, baseado na função de localização de instalações e no algoritmo ganancioso preguiçoso, que seleciona eficientemente um subconjunto representativo de tokens para melhorar a compreensão de vídeos longos em Modelos Multimodais de Grande Escala.
O MotionStream é um sistema de geração de vídeo em tempo real que, ao combinar controle de movimento interativo com uma arquitetura de atenção causal e técnicas de destilação, permite a criação de vídeos de duração ilimitada com latência subsegundo e alta qualidade em uma única GPU.
O artigo propõe o SASG-DA, um método de aumento de dados baseado em difusão que utiliza representações semânticas orientadas a tarefas e amostragem esparsa para gerar amostras fiéis e diversas, melhorando significativamente o reconhecimento de gestos mioelétricos e a generalização em cenários com dados limitados.
O artigo apresenta o DeiTFake, um modelo de detecção de deepfakes baseado em DeiT que utiliza uma estratégia de treinamento progressivo em duas etapas com aumento de complexidade de dados, alcançando 99,22% de precisão e superando os principais benchmarks no conjunto de dados OpenForensics.
Este artigo propõe um método totalmente automático para gerar dados rotulados e um pipeline que extrai e retifica imagens de ultrassom de fotografias de monitores, eliminando a dependência do formato DICOM e permitindo o treinamento de modelos com fidelidade visual suficiente para classificar vistas cardíacas com precisão balanceada de 0,79.