5035 artigos
O artigo apresenta o EmboTeam, um framework inovador para planejamento de tarefas em equipes de robôs heterogêneos que integra raciocínio de modelos de linguagem (LLMs), planejamento clássico baseado em PDDL e árvores de comportamento reativas para melhorar significativamente a execução de tarefas de longo prazo em ambientes domésticos.
Este trabalho avalia a capacidade de modelos fundacionais multimodais de identificar momentos importantes em vídeos de futebol, demonstrando que seu desempenho é próximo ao acaso devido à dependência de uma única modalidade e à falta de sinergia entre fontes, o que destaca a necessidade de arquiteturas modulares e procedimentos de treinamento complementares.
O artigo apresenta o EGAgent, um framework agênico inovador baseado em grafos de cena de entidades que supera as limitações de janelas de contexto existentes para permitir raciocínio composicional e multi-hop em streams de vídeo egocêntrico contínuo de longa duração, alcançando desempenho state-of-the-art em tarefas de compreensão longitudinal.
O artigo propõe o mecanismo MiTA Attention, uma abordagem eficiente que unifica métodos de atenção existentes e reduz o custo computacional em sequências longas comprimindo a matriz de pesos rápidos e utilizando uma estratégia de roteamento baseada nas top-k ativações de consultas âncora.
O artigo apresenta o DDP-WM, um modelo de mundo eficiente que utiliza a previsão de dinâmicas desentrelaçadas para decompor a evolução do estado em interações físicas primárias e atualizações de contexto secundárias, alcançando uma aceleração de inferência de 9 vezes e melhorias significativas no sucesso de planejamento em comparação com modelos densos baseados em Transformers.
O artigo apresenta o Rolling Sink, uma solução sem treinamento que supera a lacuna entre o tempo de treinamento limitado e o teste de duração ilimitada em modelos de difusão de vídeo autoregressivos, permitindo a geração de vídeos ultra-longos e coerentes a partir de clipes curtos.
Este artigo propõe um quadro de aprendizado ativo guiado por explicabilidade para análise de imagens médicas que, ao combinar incerteza de classificação e desalinhamento de atenção com regiões de interesse definidas por especialistas, seleciona amostras estrategicamente para melhorar tanto o desempenho preditivo quanto a interpretabilidade clínica com eficiência de dados.
O artigo apresenta o Pailitao-VL, um sistema de busca multimodal industrial em tempo real que supera limitações de granularidade e ruído ao adotar uma nova abordagem de reconhecimento de ID absoluto para embeddings e uma política de reclassificação comparativa e calibrada, resultando em desempenho superior e impacto comercial significativo na plataforma de comércio eletrônico do Alibaba.
O artigo apresenta o DeltaGateNet, um novo framework que melhora o reconhecimento de fadiga na direção baseado em EEG ao modelar explicitamente a dinâmica temporal bidirecional e assimétrica dos sinais neurais, alcançando desempenho superior e generalizável em conjuntos de dados públicos.
O artigo apresenta o EA-Swin, um modelo baseado no Swin Transformer que detecta vídeos gerados por IA de forma independente de embeddings, alcançando alta precisão e generalização em um novo conjunto de dados abrangente, superando significativamente os métodos existentes.
O CityGuard é um framework baseado em transformadores que utiliza aprendizado de métricas adaptativo, atenção condicional espacial e mapas de incorporação com privacidade diferencial para permitir a busca de identidade privada e resiliente a vieses em câmeras urbanas distribuídas, garantindo precisão na reidentificação sem compartilhar imagens brutas.
O artigo apresenta o CARE, um modelo fundamental para patologia computacional que utiliza uma estratégia de pré-treinamento em duas etapas com orientação molecular para segmentar automaticamente imagens de lâminas inteiras em regiões adaptativas e morfologicamente relevantes, alcançando desempenho superior em diversas tarefas com apenas uma fração dos dados de treinamento utilizados por modelos existentes.
O artigo apresenta o MasqLoRA, um novo framework de ataque que explora a flexibilidade dos adaptadores LoRA em modelos de difusão texto-para-imagem para injetar backdoors ocultos que ativam comportamentos maliciosos sob gatilhos textuais específicos, mantendo-se indetectável em condições normais e revelando uma vulnerabilidade crítica na cadeia de suprimentos de IA.
O artigo apresenta o RobustVisRAG, um framework de geração aumentada por recuperação baseada em visão que utiliza um guia causal para separar efetivamente semântica de degradações visuais, melhorando significativamente o desempenho em documentos distorcidos sem comprometer a precisão em entradas limpas.
O artigo apresenta o LFG, um modelo de pré-treinamento autônomo sem rótulos que utiliza vídeos de direção não estruturados da internet e um mecanismo de ensino multi-modal para aprender representações unificadas de geometria e movimento, superando métodos existentes em tarefas de planejamento e previsão sem a necessidade de dados anotados ou LiDAR.
O artigo apresenta o Diffusion Probe, um framework eficiente e independente de modelo que prevê a qualidade final de imagens geradas por difusão texto-para-imagem analisando as distribuições de atenção cruzada em estágios iniciais, permitindo decisões antecipadas que reduzem custos computacionais e melhoram a qualidade do resultado.
O artigo apresenta o DiffusionHarmonizer, um framework de aprimoramento generativo online que utiliza um aprimorador condicionado temporalmente derivado de modelos de difusão para transformar renderizações de reconstruções neurais imperfeitas em saídas fotorealistas e temporalmente consistentes, corrigindo artefatos e harmonizando a iluminação para simulações robóticas escaláveis.
O UFO-4D é um framework unificado e feedforward que reconstrói representações 4D densas e explícitas a partir de apenas duas imagens não posicionadas, estimando simultaneamente geometria 3D, movimento e pose da câmera com alta precisão ao aproveitar a renderização diferenciável de múltiplos sinais a partir de um único conjunto de Gaussianas 3D dinâmicas.
O artigo apresenta o Dr. Seg, um framework simples e plug-and-play baseado em GRPO que supera as limitações da transferência direta de paradigmas de raciocínio para percepção visual em Modelos de Linguagem Visuais, introduzindo mecanismos de confirmação e recompensas ranqueadas por distribuição para melhorar o desempenho em tarefas complexas como a segmentação.
O artigo propõe o AlignVAR, um novo framework de super-resolução de imagem baseado em autoregressão visual que supera desafios de consistência global e acúmulo de erros através de componentes inovadores de coerência espacial e restrições hierárquicas, oferecendo resultados de alta fidelidade com inferência significativamente mais rápida e menor complexidade de parâmetros em comparação com métodos baseados em difusão.