5873 artigos
O artigo apresenta o CO^3, um método de aprendizado de representação 3D não supervisionado para cenas externas que utiliza dados cooperativos de LiDAR veicular e de infraestrutura, combinando aprendizado contrastivo com previsão de contexto de forma para superar limitações anteriores e alcançar desempenho superior em tarefas de detecção.
Este artigo propõe um esquema de detecção de falhas para painéis solares fotovoltaicos baseado em uma rede neural convolucional (CNN) treinada, que alcança alta precisão na classificação binária e multiclasse de defeitos, superando modelos anteriores e oferecendo uma solução simples e eficaz para garantir a robustez do sistema.
Este trabalho aborda o problema da superotimização de recompensa em modelos de difusão ao identificar vieses indutivos e de primazia como causas raiz, propondo o algoritmo TDPO-R que explora o viés indutivo temporal e redefina neurônios ativos do crítico para mitigar esses efeitos e melhorar o alinhamento com preferências humanas.
O artigo apresenta o Uni-ISP, uma nova abordagem que unifica o aprendizado de processadores de imagem (ISPs) para diversas câmeras móveis através de embeddings específicos do dispositivo e de um esquema de treinamento inovador, resultando em maior precisão, adaptabilidade e novas aplicações, além de disponibilizar o conjunto de dados FiveCam para validação.
O artigo apresenta o R2GenCSR, um novo framework eficiente para geração de relatórios radiológicos que utiliza o Mamba como backbone visual de complexidade linear e recupera informações contextuais do conjunto de treinamento para aprimorar a representação de características e a geração de relatórios médicos de alta qualidade por meio de Modelos de Linguagem de Grande Escala (LLMs).
O artigo propõe o Shuffle Mamba, um novo modelo de espaço de estado para fusão de imagens multimodais que elimina vieses de varredura fixa através de uma estratégia de embaralhamento aleatório inspirada em Bayes e de uma inversão teórica, demonstrando desempenho superior em diversas tarefas de fusão.
Este artigo propõe o primeiro método para o esquecimento de rótulos em Aprendizado Federado Vertical, utilizando um mecanismo de mixup em nível de representação e otimização baseada em gradiente para garantir a privacidade sem revelar dados sensíveis, mantendo a eficiência computacional e a utilidade do modelo.
O artigo apresenta o Stereo-Talker, um sistema inovador de síntese de vídeo humano 3D acionado por áudio que gera vídeos realistas com sincronização labial precisa e gestos expressivos, utilizando priores de modelos de linguagem para enriquecer a diversidade dos movimentos e um mecanismo de Mixture-of-Experts guiado por priores para garantir estabilidade e controle contínuo de viewpoint.
O artigo propõe o SDPO, um novo quadro de aprendizado por reforço que alinha modelos de difusão de poucos passos a objetivos específicos através de uma otimização baseada em diferenças de recompensa densa e amostragem de trajetória de dupla estado, superando as limitações existentes para gerar imagens de alta resolução com maior eficiência e qualidade.
O TREND é um método inovador de aprendizado de representação 3D não supervisionado para percepção LiDAR que utiliza previsão temporal e campos neurais para gerar embeddings 3D ao longo do tempo, superando significativamente os métodos anteriores em tarefas de detecção de objetos.
O artigo apresenta o CLAP, um método de pré-treinamento não supervisionado que une aprendizado de representações 3D de imagens e nuvens de pontos através de amostragem de curvatura e protótipos aprendíveis, superando limitações computacionais e alcançando ganhos de desempenho significativos em tarefas de percepção 3D.
Este artigo apresenta o GenVidBench, o maior conjunto de dados existente para detecção de vídeos gerados por IA, composto por 6,78 milhões de vídeos provenientes de 11 geradores de última geração e estruturado para garantir diversidade e robustez no treinamento de modelos de detecção.
Este artigo propõe um método de constância de cor multi-iluminante que utiliza uma rede de convolução tri-ramificada para estimar mapas de iluminação em múltiplas escalas e fundi-los adaptativamente via um módulo de atenção, alcançando desempenho superior ao estado da arte ao abordar a influência das escalas da imagem.
O artigo apresenta o DSV, um método que acelera o treinamento de DiTs de vídeo em larga escala explorando a esparsidade dinâmica da atenção através de aproximação de baixo posto, kernels personalizados e paralelismo de contexto híbrido, alcançando um aumento de até 3,02 vezes no rendimento de treinamento sem perda de qualidade.
Este artigo propõe um método de marcação d'água robusto e sem necessidade de retreinamento, aplicado durante a inferência de modelos generativos como os de difusão, para garantir a detecção de conteúdo sintético e a identificação do usuário mesmo sob ataques de remoção ou perturbações.
O artigo apresenta o JiSAM, um método plug-and-play que combina aumento por jitter, um backbone consciente do domínio e alinhamento setorial baseado em memória para permitir que modelos de percepção de direção autônoma atinjam desempenho comparável ao treinado com todos os dados reais utilizando apenas 2,5% de dados reais rotulados e dados sintéticos, superando assim o custo de anotação e o problema de casos extremos.
O artigo apresenta o ARPG, um modelo de geração de imagens autoregressivo inovador que utiliza um mecanismo de decodificação paralela aleatória e um quadro de decodificação desacoplado para superar as limitações de eficiência e generalização dos métodos convencionais, permitindo inferência rápida, redução de memória e capacidades zero-shot como preenchimento e expansão de resolução.
Este trabalho propõe uma abordagem inovadora baseada em modelos de difusão para gerar dados sintéticos de cenas 3D semânticas realistas sem depender de projeções ou modelos desacoplados, demonstrando que o uso desses dados sintéticos no treinamento de redes de segmentação semântica melhora o desempenho do modelo e reduz a necessidade de anotação manual de dados reais.
O artigo apresenta o TextCrafter, um framework de geração de texto visual complexo que utiliza mecanismos inovadores de "isolamento e atenção" baseados em aprendizado por reforço e portas de atenção guiadas por citações para superar o estado da arte em precisão e qualidade, além de introduzir o novo benchmark CVTG-2K.
O artigo apresenta o KARMMA, um framework de destilação de conhecimento multimodal para reconhecimento de ações egocêntricas que, ao não exigir alinhamento de modalidades durante o treinamento e ser robusto a entradas faltantes, permite a implantação eficiente em robôs com configurações de sensores variadas e recursos computacionais reduzidos.