1863 artigos
Este trabalho propõe um framework fundamentado em visão e linguagem para a geração e avaliação interpretável de dados sintéticos em sensoriamento remoto, introduzindo o conjunto de dados ARAS400k e demonstrando que o treinamento com dados aumentados (reais e sintéticos) supera consistentemente as bases de dados reais em tarefas de segmentação semântica e legendagem de imagens.
O artigo apresenta o X-GS, um framework aberto e extensível que unifica técnicas de 3DGS com modelos multimodais downstream, permitindo a criação de mapas 3D semânticos em tempo real a partir de vídeos não calibrados para habilitar tarefas como detecção de objetos e geração de legendas.
O artigo apresenta o OTPL-VIO, um sistema de odometria visual-inercial estéreo robusto que utiliza descritores profundos livres de treinamento e correspondência baseada em transporte ótimo para associar linhas, superando limitações em cenas de baixa textura e mudanças bruscas de iluminação com maior precisão e estabilidade em tempo real.
O artigo apresenta o KV-Lock, uma abordagem livre de treinamento para modelos de difusão de vídeo baseados em DiT que otimiza a consistência de fundo e a qualidade do primeiro plano ajustando dinamicamente a fusão de chaves-valor (KVs) e a escala de orientação condicional (CFG) com base na detecção de alucinação.
O artigo apresenta o DiffWind, um framework diferenciável baseado em física que unifica a modelagem de interação vento-objeto, reconstrução a partir de vídeos e simulação avançada, utilizando métodos como MPM e LBM para recuperar campos de vento e dinâmicas de objetos deformáveis com alta precisão.
O artigo apresenta o VarSplat, um sistema de SLAM RGB-D baseado em 3D Gaussian Splatting que melhora a robustez e a precisão da reconstrução em cenas complexas ao aprender explicitamente a variância de aparência por gaussiana e gerar mapas de incerteza diferenciáveis para guiar o rastreamento e a otimização.
O artigo apresenta o FootMR, um método de refinamento de movimento dos pés que supera as limitações das abordagens atuais em captura de movimento humana monocular sem marcadores ao levantar sequências 2D para 3D utilizando dados de captura de movimento em larga escala, resultando em uma reconstrução de articulações dos pés significativamente mais precisa.
Este trabalho explora a Resposta Visual a Perguntas (VQA) em vietnamita utilizando arquiteturas baseadas em transformers, comparando sistematicamente métricas de avaliação automática em cenários multilíngues para aprimorar o alinhamento com o julgamento humano.
O artigo apresenta o DRIFT, um modelo baseado em transformador que utiliza uma arquitetura de dupla representação para fundir características locais e globais de nuvens de pontos 4D de radar, superando os métodos existentes na detecção de objetos e estimativa de estrada livre em sistemas de direção autônoma.
O artigo apresenta o TemporalDoRA, uma nova técnica de ajuste fino eficiente em parâmetros que integra atenção temporal no gargalo de baixa dimensão para melhorar a robustez e a precisão na resposta a perguntas sobre vídeos cirúrgicos, validada no novo conjunto de dados REAL-Colon-VQA.
O artigo apresenta o TriFusion-SR, um novo framework baseado em difusão condicional guiada por wavelets que realiza a fusão conjunta e a super-resolução de imagens médicas tri-modais, superando os métodos existentes ao decompor características em bandas de frequência e calibrar coeficientes latentes para obter ganhos significativos em qualidade perceptual e métricas de precisão.
O artigo apresenta o ProGS, um codec inovador que utiliza uma estrutura de octree e mecanismos de aprimoramento de informação mútua para habilitar a codificação progressiva de 3D Gaussian Splatting, reduzindo o armazenamento em 45 vezes e melhorando a qualidade visual em mais de 10% em comparação ao formato original.
O artigo apresenta o GSStream, um sistema inovador de streaming de cenas volumétricas baseado em 3D Gaussian Splatting que utiliza previsão de viewport colaborativa e adaptação de taxa de bits por aprendizado por reforço profundo para otimizar a entrega de dados e superar os sistemas existentes em qualidade visual e eficiência de rede.
O artigo apresenta o FrameDiT, uma arquitetura de Transformer de Difusão que introduz o mecanismo de Atenção Matricial em nível de quadro para superar o compromisso entre eficiência e modelagem de dinâmicas espaço-temporais complexas, alcançando resultados de ponta na geração de vídeo com alta coerência temporal e qualidade.
O artigo apresenta o EXPLORE-Bench, um novo benchmark derivado de vídeos em primeira pessoa para avaliar a capacidade de modelos de linguagem multimodal em prever cenas finais após sequências longas de ações, revelando uma lacuna significativa em relação ao desempenho humano e demonstrando que a decomposição passo a passo das ações pode melhorar o raciocínio a longo prazo, embora com custos computacionais adicionais.
O artigo apresenta o FetalAgents, o primeiro sistema multi-agente que orquestra especialistas de visão computacional para analisar ultrassons fetais em vídeo e gerar relatórios clínicos estruturados, superando modelos existentes em precisão e adaptabilidade ao fluxo de trabalho clínico.
O artigo apresenta o -Occ, um framework inovador para previsão de oclusão semântica 3D em direção autônoma que utiliza reconstrução mascarada multiview e memória de características para manter a precisão geométrica e semântica mesmo na ausência de múltiplas câmeras, superando significativamente os métodos existentes em cenários de falha de visão.
Este artigo apresenta o SACA, um novo quadro de alinhamento contrastivo sensível a etapas que extrai supervisão densa de trajetórias imperfeitas para superar as limitações de generalização e estabilidade no treinamento de agentes de Navegação Visão-Linguagem em Ambientes Contínuos, alcançando desempenho state-of-the-art.
O artigo apresenta o ENIGMA-360, um novo conjunto de dados sincronizado de vídeos egocêntricos e exocêntricos em cenários industriais reais, equipado com anotações temporais e espaciais para impulsionar a compreensão do comportamento humano e estabelecer linhas de base para tarefas como segmentação de ações e detecção de interações.
O artigo apresenta o LAP, um modelo inovador que utiliza a expressividade da linguagem para superar a ambiguidade visual no planejamento de procedimentos em vídeos instrucionais, alcançando desempenho superior ao estado da arte em múltiplos benchmarks ao empregar um modelo de linguagem visual para gerar representações textuais distintas que alimentam um modelo de difusão para prever sequências de ações.