6602 artigos
O artigo propõe o método AOT (Token Anchors via Local and Global Optimal Transport), uma abordagem sem treinamento que otimiza a eficiência dos Modelos de Linguagem Grande para Vídeo ao reduzir tokens redundantes agregando contextos locais e globais através de transporte ótimo, preservando assim a fidelidade visual e temporal em benchmarks de vídeos curtos e longos.
O artigo apresenta o UniTalking, um framework unificado de difusão de ponta a ponta que utiliza blocos de transformador multimodal para gerar retratos falantes de alta fidelidade com sincronização labial precisa e clonagem de voz personalizada, superando as abordagens de código aberto existentes.
O artigo apresenta o SeaVIS, o primeiro framework online para segmentação de instâncias áudio-visuais que supera as limitações dos métodos atuais ao utilizar fusão causal de atenção cruzada e aprendizado contrastivo guiado por áudio para associar e rastrear instâncias sonoras em fluxos de vídeo contínuos, garantindo precisão mesmo quando os objetos estão silenciosos.
O artigo apresenta o LinkVLA, uma nova arquitetura para direção autônoma que unifica a compreensão e a geração de linguagem e ação através de um código compartilhado e de uma tarefa auxiliar de entendimento, resultando em maior alinhamento semântico e uma redução de 86% no tempo de inferência graças a um método de geração de duas etapas.
Este estudo demonstra que a utilidade da mistura global de tokens em restauração de MRI é dependente da tarefa, sendo menos vantajosa em reconstrução acelerada e super-resolução devido às restrições físicas e de dados, mas superior em tarefas de remoção de ruído heterocedástico que exigem estimativa espacial de confiabilidade.
Este artigo apresenta o Deepfake Forensics Adapter (DFA), uma rede de duplo fluxo inovadora que integra um modelo CLIP pré-treinado com adaptadores de características globais, um fluxo de anomalias locais e um classificador de fusão interativa para alcançar detecção generalizável e de ponta de deepfakes, superando métodos anteriores em benchmarks desafiadores como o DFDC.
O artigo apresenta o VidDoS, um ataque universal de negação de serviço que explora mecanismos de agregação temporal em Modelos de Linguagem de Vídeo (Video-LLMs) para induzir uma expansão de tokens e latência de inferência massivas, comprometendo aplicações críticas como a condução autónoma.
O artigo apresenta o MM-Mem, uma arquitetura de memória multimodal piramidal inspirada na Teoria do Rastro Fuzzy e otimizada via um gargalo de informação semântica, que distila progressivamente detalhes perceptivos em esquemas semânticos para superar as limitações de janelas de contexto e mecanismos estáticos em agentes de vídeo de longo horizonte.
O artigo apresenta o UltraStar, um modelo inovador que utiliza um grafo estrela semântico para transformar a navegação de sondas em ecocardiografia de uma regressão de trajetória ruidosa para uma localização global baseada em âncoras, superando as limitações dos métodos existentes ao modelar eficientemente o histórico de exploração e melhorar a precisão em sequências longas.
O artigo apresenta o WildCross, um novo benchmark de grande escala que preenche a lacuna de dados em ambientes naturais não estruturados ao fornecer mais de 476 mil quadros RGB com anotações de profundidade métrica e poses 6DoF sincronizadas com mapas LiDAR, visando impulsionar pesquisas em reconhecimento de lugares e estimativa de profundidade para robótica.
Este artigo apresenta o SCATR, um novo modelo de rastreamento baseado em atenção para LiDAR que utiliza as estratégias de treinamento "Second Chance Assignment" e "Track Query Dropout" para mitigar a supressão de novas instâncias, alcançando desempenho superior ao estado da arte e fechando a lacuna de performance entre os métodos de rastreamento baseados em atenção e detecção.
O artigo apresenta o ATA, uma nova estrutura de raciocínio implícito e livre de treinamento que aprimora a eficiência e o desempenho dos modelos Visão-Linguagem-Ação ao integrar mapas de atenção e regiões de interesse baseadas em ações, eliminando a necessidade de anotações adicionais ou retreinamento.
O artigo apresenta o RadioGS, um novo framework de renderização inversa baseado em surfels gaussianos que utiliza consistência radiométrica para superar as limitações na modelagem de iluminação indireta e permite reluzimento eficiente em novos cenários.
O artigo apresenta o PhotoBench, o primeiro benchmark construído a partir de álbuns pessoais autênticos para superar as limitações da correspondência visual tradicional e promover a recuperação de fotos baseada em raciocínio de intenção personalizada e fusão de múltiplas fontes de dados.
Este artigo introduz um framework teórico de taxa-distorção que utiliza assinaturas geométricas (inclinação e curvatura) para analisar e comparar as trocas entre precisão e robustez na generalização visual, revelando que, embora humanos e redes neurais sigam princípios comuns de compressão, os sistemas biológicos exibem trade-offs mais flexíveis e menos frágeis do que os modelos artificiais modernos.
Este artigo propõe o framework DTI-UIE, uma abordagem de aprimoramento de imagens subaquáticas inspirada em tarefas downstream que, combinando uma rede de dois ramos com atenção orientada a tarefas, uma perda perceptiva específica e um novo conjunto de dados construído automaticamente, supera os métodos tradicionais focados apenas na percepção humana ao otimizar a qualidade das imagens para reconhecimento de objetos e segmentação semântica.
Este artigo propõe a representação de função tensorial contínua fundamentada em operadores neurais (NO-CTR), que supera as limitações dos métodos discretos ao introduzir operadores de modo- não lineares e contínuos para uma representação mais fiel de dados complexos, demonstrando superioridade em tarefas de completamento de dados multidimensionais em diversos cenários.
O artigo apresenta o FireRed-OCR, um framework inovador que transforma modelos VLMs gerais em especialistas em OCR estrutural de alta performance através de uma fábrica de dados "Geometria + Semântica" e uma estratégia de treinamento progressivo de três etapas, alcançando resultados state-of-the-art no benchmark OmniDocBench v1.5.
Este trabalho apresenta o Tiny-DroNeRF, um modelo leve de Campos Neurais de Radiância (NeRF) otimizado para microcontroladores de baixo consumo em nano-drones, que utiliza aprendizado federado para superar as restrições de memória e computação, permitindo a reconstrução 3D densa de ambientes com alta eficiência.
Este trabalho apresenta um método de previsão de trajetória de drones baseado exclusivamente em câmeras de eventos, que extrai a velocidade de rotação das hélices dos dados brutos e a integra em um filtro de Kalman consciente de RPM, superando abordagens de aprendizado e filtros tradicionais na previsão de curto e médio prazo sem depender de imagens RGB ou dados de treinamento.