4424 artigos
O artigo apresenta o 3D-RFT, um novo paradigma que aplica o Ajuste Fino por Reforço com Recompensas Verificáveis (RLVR) para otimizar diretamente modelos multimodais de grande escala em tarefas de compreensão de cenas 3D baseadas em vídeo, superando o desempenho de métodos anteriores e de modelos maiores ao alinhar os objetivos de treinamento com métricas de avaliação específicas.
O artigo apresenta o VideoHV-Agent, um framework multiagente que aborda a compreensão de vídeos longos reformulando a tarefa como um processo estruturado de formulação e verificação de hipóteses, alcançando resultados de última geração em precisão, interpretabilidade e eficiência computacional.
O artigo apresenta o Wallaroo, uma linha de base simples baseada em previsão de próximo token que unifica compreensão, geração e edição multimodais, suportando múltiplas resoluções e os idiomas chinês e inglês, com desempenho competitivo em diversos benchmarks.
O artigo apresenta o TAPFormer, um framework baseado em transformers que utiliza fusão assíncrona transitória e atenção local ponderada para realizar rastreamento robusto de pontos arbitrários combinando quadros RGB e eventos, superando os métodos existentes em precisão e adaptabilidade a condições adversas.
O artigo apresenta o MultiGO++, um novo framework de reconstrução 3D de humanos vestidos a partir de uma única imagem que supera as limitações existentes através de uma colaboração eficaz entre geometria e textura, utilizando síntese de textura multi-fonte, extração de forma consciente de regiões e uma rede U-Net de dupla reconstrução para gerar malhas texturizadas de alta fidelidade.
O artigo apresenta o Lens2Zernike, um framework de aprendizado profundo que recupera parâmetros ópticos físicos a partir de uma única imagem borrada ao integrar supervisão em três domínios ópticos distintos, superando métodos existentes e permitindo uma restauração estável de detalhes em fotografias de dispositivos móveis.
Este trabalho apresenta um estudo em larga escala sobre a Restauração de Imagens Generativa, utilizando uma nova pipeline de avaliação multidimensional para revelar que o campo evoluiu do desafio da escassez de detalhes para a necessidade de controlar a qualidade e a semântica dos detalhes gerados, ao mesmo tempo que propõe um novo modelo de avaliação de qualidade de imagem alinhado ao julgamento humano.
O artigo apresenta o Tell2Adapt, um novo framework unificado para Adaptação de Domínio Não Supervisionada sem Fonte (SFUDA) em segmentação de imagens médicas que aproveita modelos de fundação visuais com regularização de prompts e refinamento de plausibilidade visual para superar limitações de generalização e alcançar desempenho superior em diversos cenários clínicos.
Este artigo apresenta o Semap, um novo conjunto de dados de referência, e um framework de segmentação semântica generalizável que, ao combinar síntese procedural de dados com integração multiescala, alcança desempenho superior e robustez na segmentação de coleções heterogêneas de mapas históricos, facilitando sua integração a estudos geohistóricos.
Este trabalho propõe o IRTTA, um método de adaptação em tempo de teste que melhora a segmentação de imagens de Tomografia de Coerência Óptica ao aproveitar as representações intermediárias do processo de reconstrução para ajustar dinamicamente as camadas de normalização de uma rede congelada, sem modificar o processo de reconstrução ou o modelo original.
O artigo apresenta o CoIn3D, um framework generalizável para detecção 3D de objetos com múltiplas câmeras que supera as limitações de transferência entre diferentes configurações de sensores ao incorporar explicitamente discrepâncias de priores espaciais (como intrínsecos, extrínsecos e layouts) através de modulação de características espaciais e aumento de dados orientado à câmera.
O artigo propõe o framework CLIP-PZSL, uma abordagem de aprendizado zero-shot que utiliza o modelo CLIP e um mecanismo de mineração semântica para lidar com rótulos ambíguos, refinando progressivamente os rótulos verdadeiros e melhorando o alinhamento entre instâncias e rótulos para aumentar a precisão em cenários do mundo real.
Este estudo apresenta um sistema de detecção de luzes de emergência azuis em 360 graus, baseado em quatro câmeras de olho de peixe e aprimorado com um bloco de atenção de cor no modelo RT-DETR, que alcança alta precisão e alcance de 70 metros para integrar-se a sistemas ADAS multimodais visando aumentar a segurança rodoviária.
O artigo apresenta o MI-DETR, um detector bio-inspirado que integra explicitamente mapas de movimento e aparência através de um mecanismo celular e de interconexão parvocelular-magnocelular, alcançando desempenho superior na detecção de pequenos alvos infravermelhos em benchmarks padrão sem a necessidade de rótulos ou módulos de alinhamento adicionais.
Este artigo apresenta o UniM, o primeiro benchmark unificado de multimodalidade "qualquer-para-qualquer" com dados intercalados, juntamente com sua suite de avaliação e um modelo baseline chamado UniMA, para impulsionar o desenvolvimento de modelos de linguagem multimodal capazes de compreender e gerar entradas e saídas multimodais arbitrariamente combinadas.
O MoRe é uma rede de reconstrução 4D feed-forward eficiente que utiliza uma estratégia de atenção forçada e atenção causal agrupada para recuperar cenas dinâmicas de vídeos monoculares com alta qualidade e robustez, superando as limitações computacionais dos métodos de otimização existentes.
Este artigo propõe o Orster, um novo mecanismo de transferência de distribuição espacial-temporal ortogonal que integra priores espaciais e temporais de modelos 3D e de vídeo em um modelo de difusão 4D desentrelaçado, superando a escassez de dados para gerar conteúdo 4D de alta qualidade com consistência superior.
Este artigo propõe uma teoria formal de atribuições Aumann-Shapley em variedades baseada em fluxos generativos ótimos, que resolve artefatos fora da variedade ao definir um caminho de atribuição canônico como a geodésica de Wasserstein-2 que minimiza a energia cinética, garantindo invariância de reparametrização e superior alinhamento semântico em comparação com métodos existentes.
O artigo apresenta o GEM-TFL, um framework de localização de falsificações temporais que supera as limitações da supervisão fraca ao integrar otimização EM para atributos latentes, refinamento temporal sem treinamento e um módulo baseado em grafos, alcançando desempenho próximo ao de métodos totalmente supervisionados.
O artigo apresenta o Diff-ES, um framework de poda estrutural para modelos de difusão que utiliza busca evolutiva para otimizar automaticamente agendamentos de esparsidade por estágio e ativação dinâmica de pesos, alcançando aceleração de tempo real e alta qualidade de geração sem a sobrecarga de memória de métodos anteriores.