6656 artigos
Este trabalho apresenta o Max-V1, um modelo visão-linguagem leve e poderoso que reformula o planejamento de trajetória para direção autônoma como uma tarefa de previsão de próximos waypoints, alcançando desempenho superior ao estado da arte no conjunto de dados nuScenes e demonstrando robustez em cenários cruzados.
O artigo apresenta a Universal Beta Splatting (UBS), uma estrutura unificada que generaliza a Splatting Gaussiana 3D para kernels Beta anisotrópicos N-dimensionais, permitindo a modelagem controlada de dependências espaciais, angulares e temporais para renderização de campos de radiação em tempo real sem redes auxiliares, mantendo compatibilidade com métodos anteriores e superando-os em diversos benchmarks.
Este artigo apresenta o CLEAR-IR, uma nova arquitetura DeepMAO que reconstrói imagens de infravermelho livres de ruídos de emissores ativos, permitindo que sistemas robóticos realizem tarefas de visão complexas em condições de iluminação extrema com desempenho comparável ao de imagens RGB.
Este artigo demonstra que os operadores aprendidos por máquina falham na super-resolução zero-shot devido à sua suscetibilidade ao aliasing e à incapacidade de generalizar para resoluções não vistas, propondo em vez disso um protocolo de treinamento multi-resolução simples e eficiente para garantir robustez.
Este artigo investiga como o DINOv2 representa conceitos visuais, demonstrando que, embora a Hipótese da Representação Linear com SAEs revele especialização funcional em tarefas como classificação e segmentação, a estrutura geométrica das representações é melhor descrita pela nova Hipótese da Representação de Minkowski, na qual os tokens são formados por misturas convexas de arquétipos dentro de espaços conceituais.
O artigo apresenta o USplat4D, um novo framework de Splatting Gaussiano dinâmico que incorpora a incerteza temporal para otimizar a reconstrução 4D monoculares, utilizando observações confiáveis como âncoras para mitigar desvios de movimento e melhorar a síntese em vistas extremas.
Este artigo apresenta um novo framework de detecção de anomalias em vídeo semi-supervisionado que utiliza Modelos de Linguagem Multimodais (MLLMs) para gerar descrições textuais de interações entre objetos, superando as limitações de métodos existentes ao detectar anomalias complexas com alto nível de explicabilidade e desempenho de ponta.
Este tutorial oferece uma visão abrangente da evolução da reconstrução 3D a partir da renderização volumétrica até o 3D Gaussian Splatting (3DGS), detalhando sua teoria, abordando suas limitações atuais e explorando suas diversas aplicações em síntese de novas visualizações, reconstrução de superfícies e geração de conteúdo.
O artigo apresenta o "Speculative Verdict" (SV), uma estrutura sem treinamento que combina múltiplos modelos VLM leves como especialistas rascunho com um modelo de veredito robusto para melhorar o raciocínio visual em imagens densamente informativas, alcançando ganhos de precisão e eficiência em benchmarks desafiadores.
O artigo apresenta o TokenCLIP, um framework de aprendizado de prompt token a token que utiliza transporte ótimo para alinhar dinamicamente tokens visuais a subespaços textuais ortogonais, permitindo uma detecção de anomalias zero-shot mais precisa e eficiente ao capturar semânticas variadas em objetos não vistos.
Este trabalho apresenta o MMSD3.0, um novo benchmark composto exclusivamente por amostras de múltiplas imagens para detecção de sarcasmo multimodal em cenários reais, juntamente com o modelo CIRM, que alcança desempenho state-of-the-art ao modelar conexões inter-imagens e integrar texto e imagem de forma guiada por relevância.
O artigo propõe o COLA, um framework livre de treinamento baseado em transporte ótimo que restaura o alinhamento global e a consistência estrutural local entre as representações de imagem e texto para mitigar a vulnerabilidade do CLIP a perturbações adversariais, resultando em ganhos significativos de robustez em classificações zero-shot.
Este artigo apresenta a Agregação Atenta de Recursos (AFA), um mecanismo de pooling leve que permite a políticas visuomotoras treinadas com representações visuais pré-treinadas ignorar distrações irrelevantes e focar em pistas visuais essenciais, resultando em maior robustez a perturbações visuais sem necessidade de aumento de dados ou ajuste fino.
Este artigo propõe um método de amostragem conjunta regularizada por pontuação com pesos de importância para modelos de Flow Matching, visando gerar amostras diversas e de alta qualidade que permitam estimativas precisas de expectativas sob orçamentos de amostragem limitados.
Este estudo demonstra que, na classificação de tumores cerebrais em ressonância magnética com dados limitados, arquiteturas de CNN de propósito geral pré-treinadas (como ConvNeXt-Tiny) superam modelos pré-treinados especificamente em dados médicos (como RadImageNet DenseNet121), indicando que o pré-treinamento em domínios diversificados pode ser mais eficaz para tarefas diagnósticas especializadas.
O artigo apresenta o Q-Save, um novo benchmark holístico e um modelo unificado que avalia a qualidade de vídeos gerados por IA em três dimensões (qualidade visual, dinâmica e alinhamento texto-vídeo) simultaneamente, fornecendo pontuações precisas e explicações atribuídas através de uma estratégia de treinamento avançada.
O artigo apresenta o SocialNav, um modelo fundamental treinado com um novo conjunto de dados em larga escala e um pipeline de aprendizado por reforço inovador (SAFE-GRPO) para superar os desafios da navegação corporal, alcançando desempenho superior na adesão às normas sociais e na eficiência do trajeto.
O artigo apresenta o SpecTemp, um framework de raciocínio temporal especulativo baseado em aprendizado por reforço que utiliza um design de dois modelos cooperativos para decoplar a percepção temporal do raciocínio, permitindo uma compreensão eficiente de vídeos longos com alta precisão e menor custo computacional.
O artigo propõe o TARDis, um novo framework consciente da física que utiliza a disjunção de representações atenuadas pelo tempo para superar a falta de fases de contraste em tomografias computadorizadas, permitindo a segmentação e classificação precisa de tumores ao modelar a dinâmica hemodinâmica contínua mesmo com dados incompletos.
Este artigo apresenta uma abordagem de detecção de imagens geradas por IA baseada em aprendizado auto-supervisionado que utiliza metadados de câmera (EXIF) para extrair características intrínsecas de fotografias reais, alcançando alta generalização e robustez em comparação com métodos existentes.