5805 artigos
O artigo apresenta o RaUF, um quadro de aprendizado de campo de incerteza espacial que utiliza um modelo probabilístico anisotrópico e um mecanismo de atenção de domínio bidirecional para resolver ambiguidades e ruídos em dados de radar de ondas milimétricas, resultando em detecções espaciais mais confiáveis e bem calibradas para cenários de condução desafiadores.
Este artigo apresenta o CAFE e sua extensão CAFE+, novas técnicas de codificação de frequência que combinam recursos de Fourier e Chebyshev para superar o viés espectral das Representações Neurais Implícitas, permitindo a síntese eficiente e adaptativa de uma gama mais ampla de frequências para capturar detalhes de alta frequência com desempenho superior.
O artigo apresenta o VL-Anomaly, um framework de segmentação de anomalias em estradas que utiliza alinhamento de características visão-linguagem e aprendizado por prompts para reduzir falsos positivos em fundos normais e melhorar a detecção de obstáculos desconhecidos, alcançando desempenho superior em benchmarks públicos.
Este artigo apresenta o SMR-Net, um algoritmo de detecção de objetos baseado em atenção e recursos multiescala, desenvolvido para superar as limitações dos métodos visuais tradicionais na detecção e localização precisa de encaixes robóticos complexos, demonstrando melhorias significativas na precisão e eficiência da montagem automatizada.
O artigo apresenta o TAR-FAS, um framework de MLLM que aprimora a generalização na detecção de falsificação facial ao reformular a tarefa como um raciocínio em cadeia que combina observações intuitivas com a invocação adaptativa de ferramentas visuais externas para investigar detalhes sutis, resultando em desempenho superior e explicações visuais detalhadas.
O artigo apresenta o MM-DeepResearch, um agente de pesquisa multimodal que supera desafios como a escassez de dados e os custos de treinamento ao combinar a geração de dados via Hyper-Search, a otimização de especialistas em ferramentas de busca com DR-TTS e um mecanismo de aprendizado por reforço offline, resultando em um sistema capaz de raciocínio explícito e síntese de informações cruzadas.
O artigo propõe o framework ELF-VLA, que supera as limitações de exploração dos modelos VLA em direção autônoma ao incorporar feedback diagnóstico explícito sobre falhas, permitindo refinamentos guiados que alcançam desempenho de ponta no benchmark NAVSIM.
O artigo apresenta o LLaDA-o, um modelo de difusão omni multimodal eficiente e adaptável ao comprimento, baseado em um framework de Mistura de Difusão (MoD) que alcança desempenho de ponta na compreensão e geração multimodal.
O artigo apresenta o SHIELD8-UAV, um acelerador de hardware 8-bit sequencial e de baixo consumo que utiliza uma CNN 1D com quantização adaptativa e poda estruturada para realizar detecção acústica e rastreamento de drones em tempo real com alta eficiência energética e precisão em plataformas de borda.
O artigo apresenta o A3Point, um novo framework de aprendizado latente adaptativo que melhora a robustez da segmentação semântica de nuvens de pontos LiDAR em condições climáticas adversas, mitigando a mudança semântica através da localização de regiões de deslocamento e do aprendizado de confusão semântica para otimizar o uso de diversas ampliações de dados.
Este artigo apresenta o MCMR, um novo benchmark em larga escala para avaliação de recuperação multimodal de alta granularidade sob múltiplas condições interdependentes, demonstrando que os rerankers baseados em MLLM melhoram significativamente a correspondência ao verificar explicitamente a consistência entre consultas e candidatos.
Este trabalho apresenta o AesEval-Bench, um benchmark abrangente e um conjunto de dados para avaliar e aprimorar a capacidade de Modelos de Visão e Linguagem (VLMs) em julgar a estética do design gráfico, superando as limitações de estudos anteriores através de uma avaliação sistemática e de um framework de treinamento inovador.
O artigo apresenta o V-SONAR, um espaço de incorporação unificado de visão e linguagem que alinha codificadores visuais ao espaço SONAR existente, permitindo que modelos como o V-LCM superem os modelos state-of-the-art em tarefas multilíngues e multimodais, como legendagem de vídeo e compreensão de conceitos visuais, especialmente em idiomas de recursos limitados.
Este artigo apresenta o DP-RGMI, um novo framework que analisa a perda de utilidade na privacidade diferencial para imagens médicas ao decompor o desempenho em geometria da representação e utilização da tarefa, revelando que a privacidade altera a anisotropia das representações e cria uma lacuna de utilização mesmo quando a separabilidade linear é preservada.
O artigo apresenta o StrokeDiff, um framework baseado em modelos de difusão com Regularização Suave (SmR) que permite a geração eficiente de pinceladas realistas para pinturas a óleo a partir de um conjunto de dados limitado, oferecendo ao mesmo tempo controle estruturado e integração em um pipeline completo de criação artística.
O artigo apresenta o "Egocentric Co-Pilot", um agente de óculos inteligentes baseado em uma estrutura neuro-simbólica nativa da web que combina modelos de linguagem, raciocínio temporal e compressão de contexto para fornecer assistência contínua e acessível em tempo real, demonstrando superioridade em tarefas de perguntas e respostas egocêntricas e satisfação do usuário em comparação com soluções comerciais.
O artigo apresenta o GroundedSurg, o primeiro benchmark de referência linguística para segmentação de instrumentos cirúrgicos em nível de instância, que avalia a capacidade de modelos de visão e linguagem de localizar ferramentas específicas com base em descrições naturais e relações espaciais em diversos cenários cirúrgicos.
O artigo apresenta o GuiDINO, um framework que reposiciona modelos de visão fundamentais como geradores de orientação visual para segmentação médica, utilizando um mecanismo leve para transformar características do DINOv3 em máscaras-guia que melhoram a precisão e a robustez de bordas sem a necessidade de ajuste fino completo.
O artigo apresenta o ClinCoT, um framework de cadeia de pensamento visual consciente do contexto clínico que supera as alucinações factuais em modelos de linguagem e visão médica ao transformar a otimização de preferência de correção de resposta para raciocínio guiado por evidências visuais, utilizando um pipeline de geração de dados automatizado e uma estratégia de otimização iterativa baseada em pontuação.
O artigo propõe o modelo PR-ACL, que utiliza Aprendizado Contrastivo de Anomalia Aumentada e um paradigma de prever-e-verificar com Blocos de Raciocínio de Anomalia Preditiva para superar os desafios de raciocínio visual em relações composicionais, demonstrando desempenho superior em conjuntos de dados como SVRT, CVR e MCR.