5504 artigos
Este artigo propõe um novo quadro de reforço por feedback humano para fusão de imagens infravermelhas e visíveis, apresentando o primeiro conjunto de dados em larga escala com avaliações subjetivas e anotando artefatos para treinar um modelo de recompensa que, através da Otimização de Política Relativa em Grupo, alinha os resultados da fusão com as preferências estéticas humanas.
O artigo apresenta o Yolo-Key-6D, um framework monocular de estágio único e ponta a ponta para estimativa de pose 6D que integra a detecção de pontos-chave e uma representação de rotação contínua para alcançar alta precisão e tempo real nos benchmarks LINEMOD e LINEMOD-Occluded.
O artigo apresenta o UniSync, um quadro unificado que alcança sincronização labial de alta fidelidade e generalizável em cenários desafiadores, combinando uma estratégia de treinamento sem máscaras para evitar artefatos de cor com uma inferência baseada em máscaras para precisão estrutural, além de introduzir o novo benchmark RealWorld-LipSync para avaliação em condições do mundo real.
Este artigo apresenta uma nova arquitetura de rede inspirada em convoluções que combina informações locais e globais para classificar eficazmente os metadados de tábuas cuneiformes, superando o desempenho do modelo Point-BERT ao lidar com conjuntos de dados limitados e representações complexas em nuvem de pontos.
Este artigo propõe um novo framework unificado, métricas de avaliação (DS-F1 e DS-AURC) e o método SURE+ para avaliar e melhorar a confiabilidade de classificadores ao tratar conjuntamente a detecção de dados fora de distribuição e a previsão de falhas em dados dentro de distribuição.
Este artigo propõe uma Arquitetura de Rastreamento Assíncrono Modular (MATA) que combina um rastreador baseado em transformadores com um Filtro de Kalman Estendido para superar desafios de rastreamento visual em UAVs, introduzindo simultaneamente um protocolo de avaliação e uma nova métrica (NT2F) validados em hardware embarcado para garantir desempenho em tempo real.
Este artigo apresenta o FGAesthetics, um novo banco de dados de avaliação estética de imagens de alta granularidade, e o FGAesQ, um framework inovador que aprende pontuações estéticas discriminativas a partir de ranks relativos, superando as limitações dos modelos atuais na distinção de variações estéticas sutis.
Este artigo propõe uma injeção externa de n-gramas (NGI) em decodificadores de Transformers para permitir a adaptação dinâmica de modelos de linguagem durante a inferência em reconhecimento de texto manuscrito, mitigando a queda de desempenho causada por mudanças na distribuição linguística sem a necessidade de treinamento adicional.
O artigo apresenta o DISC, uma nova abordagem de mapeamento semântico em conjunto aberto que supera as limitações computacionais e de contexto dos métodos atuais ao utilizar extração de características densa e integrada em uma única passagem, permitindo mapeamento em tempo real, preciso e escalável para robótica.
Este artigo apresenta o CMDR-IAD, um framework não supervisionado leve e flexível que combina mapeamento cruzado bidirecional e reconstrução de dupla ramificação para detectar anomalias industriais em cenários multimodais (2D+3D) e unimodais, alcançando desempenho state-of-the-art no benchmark MVTec 3D-AD e robustez em condições industriais reais sem depender de bancos de memória.
Este estudo retrospectivo demonstrou que uma rede neural convolucional baseada em DenseNet121 é eficaz na detecção e classificação de artefatos hiper e hipointensos em imagens de ressonância magnética de mama com alto valor b (1500 s/mm²), alcançando altas taxas de precisão e oferecendo uma ferramenta promissora para a avaliação de qualidade de fatias individuais.
Este trabalho introduz o paradigma Spatial Causal Prediction (SCP) e o benchmark SCP-Bench para avaliar a capacidade de modelos de IA de inferir estados espaciais causais não observados, revelando lacunas significativas entre o desempenho humano e o dos modelos atuais e propondo estratégias para aprimorar essa inteligência.
O artigo apresenta o RVN-Bench, um novo benchmark baseado no simulador Habitat 2.0 e em cenas HM3D de alta fidelidade, projetado para avaliar e treinar agentes de navegação visual reativa e livre de colisões em ambientes internos complexos e não mapeados.
Este artigo propõe um método de síntese de dados de treinamento e uma rede neural inovadora que, ao gerar pares de imagens não alinhados com diversas texturas e cores enquanto preservam a estrutura e decoplam informações de cor, superam as limitações de generalização das abordagens existentes para estimativa de homografia multimodal.
Este artigo apresenta o Structural Action Transformer (SAT), uma nova política de manipulação dextral 3D que supera as limitações de transferência de habilidades entre diferentes corpos robóticos ao reformular as ações como sequências estruturais de trajetórias articulares, permitindo o aprendizado eficiente a partir de conjuntos de dados heterogêneos e observações em nuvem de pontos.
O artigo apresenta o ProFound, um modelo de visão fundacional especializado em ressonância magnética multiparamétrica da próstata, pré-treinado de forma auto-supervisionada em um grande conjunto de dados multicêntrico e que demonstrou desempenho superior ou competitivo em 11 tarefas clínicas distintas, superando a necessidade de grandes conjuntos de dados rotulados para cada tarefa específica.
O artigo apresenta o BLOCK, um pipeline de código aberto em duas etapas que utiliza um modelo multimodal grande e uma adaptação progressiva do FLUX.2 para gerar skins pixel-perfect do Minecraft a partir de conceitos de personagens arbitrários.
O artigo apresenta o UniRain, um framework unificado de remoção de chuva que combina um pipeline de destilação de dados baseado em Geração Aumentada por Recuperação (RAG) para seleção de amostras de treinamento e uma estratégia de otimização reponderada multiobjetivo em uma arquitetura de mistura de especialistas assimétrica, alcançando desempenho superior na remoção de diversos tipos de chuva em cenários diurnos e noturnos.
Este artigo propõe um método inovador de pré-treinamento auto-supervisionado que supera as limitações de anotação em fluxos de eventos densos ao distilar modelos visuais fundamentais (VFMs) por meio de uma perda de distilação consciente de estrutura, resultando em representações de eventos de alta qualidade com melhor generalização e eficiência de dados.
O artigo apresenta o Dual-Solver, um solucionador de equações diferenciais generalizado para modelos de difusão que utiliza parâmetros aprendíveis para otimizar a amostragem em regimes de baixo custo computacional, melhorando significativamente a qualidade da geração de imagens em diversos modelos de base.