5561 artigos
O artigo propõe o MC-INR, um novo framework baseado em redes neurais que utiliza meta-aprendizado e agrupamento dinâmico para codificar eficientemente dados de simulação científica multivariada em grades não estruturadas, superando as limitações das representações neurais implícitas existentes.
O artigo apresenta o CoBELa, um framework baseado em energia que elimina representações de gargalo não explícitas e decodificadores treinados, permitindo a geração interpretável e a intervenção composicional em conceitos através de funções de energia aditivas sobre um gerador pré-treinado congelado.
O artigo apresenta o InstructVLA, um modelo de Visão-Linguagem-Ação que utiliza um novo paradigma de ajuste instrucional (VLA-IT) para preservar o raciocínio multimodal de modelos pré-treinados enquanto alcança desempenho superior em manipulação robótica e generalização em ambientes simulados e do mundo real.
O artigo apresenta o DMTrack, uma nova arquitetura de rastreamento multimodal espaço-temporal baseada em dois adaptadores (STMA e PMCA) que, utilizando apenas 0,93 milhão de parâmetros treináveis, alcança resultados state-of-the-art em cinco benchmarks ao facilitar a fusão e a complementaridade progressiva entre modalidades.
Este trabalho propõe um novo framework de super-resolução zero-shot para tomografia computadorizada 3D que integra priores de projeção 2D baseados em difusão e uma técnica de splatting gaussiano com blendagem alfa negativa para reconstruir volumes de alta resolução a partir de entradas de baixa resolução sem necessidade de dados pareados.
O artigo apresenta o MMTok, um método que maximiza a cobertura multimodal combinando informações visuais e textuais para selecionar tokens de visão mais informativos, resultando em uma inferência significativamente mais rápida e eficiente em Modelos Visão-Linguagem sem comprometer substancialmente o desempenho.
Este artigo apresenta o problema de Resposta a Perguntas Corporificadas Concorrentes (EQsA), introduz o framework agêntico ConEQsA para agendamento e resposta assíncronos baseados em urgência, e propõe o benchmark CAEQs com métricas específicas para avaliar o desempenho de agentes em ambientes 3D sob múltiplas solicitações.
Este trabalho avalia sistematicamente a capacidade de Modelos Visão-Linguagem (VLMs) de compreender a topologia viária para condução autónoma, revelando que, apesar de alguns modelos proprietários alcançarem resultados moderados, tanto estes como os modelos de código aberto enfrentam dificuldades significativas em raciocínio espacial, indicando que esta competência permanece um gargalo fundamental.
O artigo apresenta o SiNGER, um novo framework de destilação de conhecimento que utiliza perturbações guiadas pelo espaço nulo para refinar as características de Vision Transformers, suprimindo artefatos de alta norma e preservando sinais informativos, resultando em modelos alunos com desempenho superior e representações mais claras.
O artigo apresenta o Earth-Agent, um novo quadro de trabalho baseado em agentes que integra dados de observação terrestre RGB e espectrais em um ecossistema de ferramentas unificado, permitindo raciocínio espaciotemporal quantitativo complexo e avaliando seu desempenho por meio do benchmark Earth-Bench.
O artigo apresenta o PROFusion, um sistema de reconstrução densa em tempo real que combina regressão de pose baseada em aprendizado para inicialização robusta com otimização baseada em princípios para refino preciso, superando as limitações de sistemas SLAM RGB-D existentes em cenários de movimento instável.
O Proxy-GS é um pipeline inovador que utiliza um sistema de proxy ultrarrápido para introduzir consciência de oclusão no treinamento e inferência de 3DGS estruturado, otimizando a eliminação de primitivas redundantes e a densificação para alcançar tanto maior velocidade de renderização quanto qualidade visual superior em cenas complexas.
O artigo apresenta o EchoGen, um framework pioneiro de geração orientada a sujeitos baseado em modelos auto-regressivos visuais (VAR) que utiliza uma estratégia de injeção de dupla via para equilibrar fidelidade e controle, oferecendo uma alternativa eficiente e rápida aos métodos difusivos tradicionais.
O artigo apresenta o TTT3R, uma abordagem de treinamento no tempo de teste que utiliza uma taxa de aprendizado de forma fechada baseada na confiança de alinhamento para melhorar significativamente a generalização de comprimento em modelos de reconstrução 3D, alcançando resultados superiores com baixo custo computacional.
O artigo apresenta o BindWeave, um framework unificado que utiliza um modelo de linguagem multimodal pré-treinado para realizar raciocínio cruzado e ancorar semânticas complexas em sujeitos visuais específicos, permitindo a geração de vídeos de alta fidelidade e consistentes com o tema, superando os modelos existentes em benchmarks como o OpenS2V.
O artigo apresenta o ArbInterp, um novo framework de interpolação generativa de vídeo que permite a síntese de quadros intermediários em qualquer timestamp e de qualquer duração, superando as limitações de rigidez dos métodos anteriores através de uma codificação posicional temporal adaptativa e uma estratégia de condicionamento que decopla aparência e movimento para garantir consistência e continuidade.
O artigo apresenta o D2E, um framework que valida a pré-treinagem em dados de desktop (como jogos) como uma abordagem escalável e eficaz para transferir habilidades sensoriomotoras para robótica física, alcançando desempenho superior a modelos maiores com apenas 1 bilhão de parâmetros.
O artigo apresenta o Human3R, um modelo unificado e feed-forward que realiza a reconstrução 4D online de múltiplos humanos e cenas em tempo real a partir de vídeos monoculares, eliminando a necessidade de pipelines complexos e dependências externas.
O MIRAGE é um framework de agendamento em tempo real para recuperação de imagens que utiliza decomposição hierárquica e consistência de similaridade para melhorar a precisão e reduzir significativamente a computação em sistemas de recuperação multimodais.
Este artigo demonstra que a capacidade de generalização de modelos de avaliação de qualidade de imagem baseados em raciocínio e aprendizado por reforço deriva da conversão de representações visuais redundantes em representações textuais compactas, propondo o algoritmo RALI que, ao alinhar diretamente imagens a essas representações textuais via aprendizado contrastivo, elimina a necessidade de processos de raciocínio e grandes modelos de linguagem, alcançando desempenho comparável com menos de 5% dos parâmetros e tempo de inferência.