5203 artigos
Este artigo apresenta o DriverGaze360, um novo conjunto de dados em escala massiva com visão de 360 graus e o método DriverGaze360-Net, que utilizam orientação por objetos para superar as limitações de campo de visão frontal e alcançar um estado da arte na previsão da atenção do motorista em ambientes de condução panorâmicos.
O artigo apresenta o ViRC, um framework que aprimora o raciocínio matemático multimodal em modelos de linguagem através de um mecanismo de "Reason Chunking" que divide o processo em Unidades de Raciocínio Crítico (CRUs), apoiado pelo novo conjunto de dados CRUX e uma estratégia de treinamento progressivo, resultando em um modelo ViRC-7B com desempenho superior em benchmarks matemáticos.
O artigo apresenta o FluenceFormer, um framework baseado em transformadores que utiliza uma arquitetura de duas etapas e uma função de perda física para prever mapas de fluência em radioterapia, superando os métodos convencionais ao garantir consistência estrutural e conservação de energia com uma taxa de erro de apenas 4,5%.
Este artigo apresenta o EPD-Solver, um novo solucionador de EDO que utiliza avaliações de gradiente paralelas e um esquema de otimização em duas etapas com aprendizado por reforço para acelerar a inferência de modelos de difusão sem comprometer a qualidade da imagem.
Este artigo apresenta o PhyGDPO, um framework de otimização direta de preferências em grupo consciente da física, que utiliza um pipeline de construção de dados aumentados por física e um esquema de recompensa guiado por VLM para gerar vídeos texto-para-vídeo que seguem consistentemente as leis físicas, superando os métodos atuais em benchmarks especializados.
O artigo apresenta o MorphAny3D, um framework sem treinamento que utiliza representações de Latente Estruturado (SLAT) e mecanismos de atenção inovadores para gerar sequências de morfagem 3D de alta qualidade, semanticamente consistentes e temporalmente suaves, inclusive entre categorias distintas.
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.