1863 artigos
O artigo apresenta o ARSGaussian, um método inovador de síntese de novas vistas para sensoriamento remoto aéreo que integra nuvens de pontos LiDAR e perdas de consistência geométrica ao 3D Gaussian Splatting para corrigir erros de geometria e melhorar a qualidade visual, além de lançar o conjunto de dados AIR-LONGYAN para apoiar pesquisas nessa área.
O artigo apresenta o CuriousBot, um sistema que utiliza um grafo de objetos relacionais 3D para superar as limitações da exploração móvel baseada apenas em percepção, permitindo que robôs interajam ativamente com o ambiente em espaços complexos e superando métodos que dependem exclusivamente de modelos de linguagem e visão.
Este artigo apresenta os iMarkers, marcadores fiduciais invisíveis ao olho humano mas detectáveis por robôs e dispositivos de realidade aumentada, que oferecem uma solução discreta e versátil para navegação e reconhecimento de objetos sem comprometer a estética do ambiente.
O artigo apresenta o LayoutDreamer, um framework que utiliza 3D Gaussian Splatting e um grafo de cena direcionado para gerar cenas composicionais 3D de alta qualidade, fisicamente plausíveis e altamente controláveis a partir de prompts de texto, superando os métodos existentes em alinhamento semântico e realismo.
Este artigo de revisão oferece uma análise abrangente e estruturada de mais de 200 trabalhos sobre generalização em sensoriamento Wi-Fi, apresentando uma taxonomia de técnicas, um resumo de conjuntos de dados públicos e direções futuras para superar os desafios de adaptação a novos usuários, dispositivos e ambientes.
O artigo apresenta o RS-STE, uma abordagem inovadora para edição de texto em cenas que integra reconhecimento e edição em um único framework unificado, utilizando um decodificador paralelo e um ciclo de autoaprendizado para alcançar desempenho superior e consistência estilística sem a necessidade de pipelines complexos ou dados pareados.
Este artigo apresenta um novo framework semissupervisionado para segmentação de imagens biomédicas que combina modelos de difusão e co-treinamento professor-aluno para gerar máscaras informativas e pseudo-rótulos, superando técnicas de última geração em cenários com dados anotados limitados.
Este artigo apresenta o BR-Gen, um novo dataset de grande escala com 150.000 imagens localmente falsificadas e o modelo NFA-ViT, que utiliza amplificação de ruído para detectar e propagar traços de falsificações sutis em todo o contexto da imagem, superando os métodos existentes em precisão e generalização.
Este artigo apresenta o M4-SAR, um novo dataset abrangente e padronizado para detecção de objetos por fusão óptica-SAR, acompanhado de um toolkit de benchmark e do framework E2E-OSDet, demonstrando que a combinação desses dados melhora significativamente a precisão da detecção em ambientes complexos.
O artigo apresenta o MARRS, um novo framework que utiliza representações contínuas e um modelo autoregressivo baseado em unidades corporais distintas para sintetizar reações humanas coordenadas e de alta qualidade, superando as limitações de perda de informação e complexidade computacional dos métodos anteriores baseados em quantização vetorial.
Este artigo apresenta a primeira revisão sistemática sobre a integração de modelos fundamentais na robótica de serviços móveis, analisando como essas tecnologias superam desafios técnicos e éticos para habilitar robôs mais adaptáveis, seguros e socialmente responsivos em ambientes reais.
O artigo apresenta o EasyText, um framework baseado em Diffusion Transformer que, utilizando codificação de posicionamento de caracteres e interpolação, permite a renderização precisa e controlada de texto multilíngue, apoiado por um novo conjunto de dados sintéticos em larga escala.
O artigo apresenta o SpikeSMOKE, uma arquitetura de redes neurais de pulso (SNN) para detecção de objetos 3D monoculares que introduz um mecanismo de codificação de portão cruzado (CSGC) e blocos residuais leves para superar a perda de informação das SNNs, resultando em maior precisão e consumo energético drasticamente reduzido em comparação com métodos tradicionais.
O artigo apresenta o FieldLVLM, um novo framework que aprimora a compreensão de modelos de linguagem-visão grandes sobre dados de campos científicos, como escoamentos, por meio de uma estratégia de geração de linguagem orientada a características físicas e um ajuste de modelo multimodal com compressão de dados, superando métodos existentes em benchmarks especializados.
O artigo propõe o MGCR-Net, uma rede de reconstrução visão-linguagem condicionada a grafos multimodais que utiliza modelos de linguagem grandes (MLLM) para gerar dados textuais e integrar características visuais e textuais através de atenção gráfica e transformadores, alcançando desempenho superior na detecção de mudanças em imagens de sensoriamento remoto.
O artigo propõe o método SFDA-PFT, uma abordagem leve de adaptação de domínio sem fonte que utiliza tradução de características no espaço latente para personalizar modelos de reconhecimento de expressões faciais usando apenas dados de alvo neutros, superando as limitações de métodos existentes e evitando a geração instável de imagens.
O artigo apresenta o EgoCross, um novo benchmark abrangente para avaliar a generalização de modelos de linguagem multimodal em cenários de vídeo egocêntrico que transcendem atividades cotidianas, cobrindo domínios desafiadores como cirurgia, indústria, esportes extremos e perspectiva animal.
O artigo apresenta o YOPO, um método de detecção baseado em transformers que unifica a detecção 2D e a estimativa de pose 9D de objetos em nível de categoria a partir de imagens RGB monoculares em uma única etapa, alcançando desempenho superior ao estado da arte sem depender de dados adicionais como profundidade ou modelos CAD.
O artigo apresenta o CoRe-GS, um framework de Gaussian Splatting que otimiza seletivamente apenas as regiões de interesse (POIs) em uma abordagem de "grossa para refinada", reduzindo drasticamente o tempo de treinamento e melhorando a qualidade da reconstrução para aplicações robóticas críticas, ao mesmo tempo que mitiga artefatos visuais sem necessidade de rasterização de máscaras.
O artigo apresenta o VocSegMRI, um framework de aprendizado multimodal que integra vídeo, áudio e sinais fonológicos para alcançar a segmentação de precisão das estruturas articulatórias em ressonância magnética em tempo real, superando os métodos existentes com uma pontuação Dice de 0,95.