7068 artigos
Este trabalho propõe um quadro de restauração de HDR baseado em aprendizado para imagens de módulo que, ao combinar regularização equivariante à escala e um design de entrada com elevação de características, supera ambiguidades entre bordas naturais e descontinuidades de envolvimento, alcançando desempenho superior em métricas de qualidade perceptual e linear.
Este trabalho apresenta o CityGenAgent, um framework impulsionado por linguagem natural que utiliza uma estratégia de aprendizado em duas etapas (SFT e RL) para gerar e editar cidades 3D procedurais de alta qualidade, garantindo precisão estrutural e alinhamento semântico através da decomposição hierárquica em programas de blocos e edifícios.
O artigo apresenta o framework "Erase at the Core" (EC), uma abordagem plug-in e agnóstica a modelos que supera o esquecimento superficial ao garantir a eliminação de informações não apenas nas saídas, mas também nas representações internas profundas da rede, utilizando aprendizado contrastivo e supervisão profunda em múltiplas camadas.
O artigo apresenta o PixelRush, um framework de geração de imagens sem ajuste prévio que utiliza um regime de poucos passos e técnicas de mistura aprimoradas para produzir imagens de alta resolução (4K) em apenas 20 segundos, oferecendo uma aceleração de 10 a 35 vezes em relação aos métodos mais recentes sem comprometer a qualidade visual.
Este artigo apresenta o MAILS, um novo quadro de relocalização sem mapas para drones baseado em LiDAR que utiliza módulos de atenção e codificação posicional robustos para superar as limitações dos métodos existentes em cenários aéreos, acompanhados pela criação de um novo conjunto de dados em larga escala para avaliação realista.
O artigo apresenta o COOPERTRIM, um framework adaptativo de seleção de dados que utiliza incerteza temporal para reduzir significativamente a largura de banda necessária na percepção cooperativa entre agentes autônomos, mantendo a precisão ao transmitir apenas informações dinâmicas relevantes e evitando a redundância de dados estáticos.
O artigo apresenta o Diff-Aid, um método leve e adaptativo que otimiza a interação entre texto e imagem durante a inferência em modelos de geração de texto para imagem, melhorando a aderência ao prompt e a qualidade visual em arquiteturas como SD 3.5 e FLUX.
O artigo apresenta o SceneTok, um novo tokenizador que codifica conjuntos de visualizações de cenas 3D em um conjunto comprimido e permutável de tokens não estruturados, permitindo reconstruções de alta qualidade com compressão superior e geração de cenas eficiente em 5 segundos, superando as limitações das representações baseadas em grades espaciais ou campos alinhados a visualizações.
Este trabalho propõe um framework de destilação de dados multimodais livre de aprendizado que utiliza embeddings alinhados do CLIP e um decodificador unCLIP para sintetizar imagens baseadas em protótipos, superando métodos existentes ao eliminar a necessidade de treinamento em larga escala e otimização conjunta, garantindo assim generalização superior entre diferentes arquiteturas.
O artigo apresenta o One2Scene, um framework inovador que gera cenas 3D explorações e geometricamente consistentes a partir de uma única imagem, decompondo o problema em três etapas que utilizam um andaime 3D explícito baseado em Gaussian Splatting para superar as distorções e ruídos típicos dos métodos existentes durante a navegação livre.
Este artigo demonstra que o Treinamento em Tempo de Teste (TTT) com ligação KV não é um processo de memorização online, mas sim uma forma de atenção linear aprendida, o que permite simplificações arquitetônicas, formulações paralelas mais eficientes e uma unificação sistemática de suas variantes.
O artigo propõe o FedVG, um novo framework de agregação federada que utiliza um conjunto de validação global e normas de gradientes por camada para avaliar e ponderar os clientes com base em sua capacidade de generalização, mitigando o desvio de clientes e melhorando o desempenho em cenários heterogêneos sem comprometer a privacidade dos dados.
O artigo apresenta o FlowFixer, um quadro de refinamento para geração orientada a sujeitos que restaura detalhes finos perdidos durante a geração através de tradução direta de imagem para imagem e um esquema de destilação de um passo para treinamento auto-supervisionado, superando os métodos atuais na preservação de fidelidade visual.
O artigo apresenta o PhysicEdit, um novo framework de edição de imagem que supera as limitações dos modelos atuais ao garantir plausibilidade física em transformações complexas, utilizando o grande conjunto de dados PhysicTran38K e um mecanismo de raciocínio dual texto-visual para prever transições de estado físico realistas.
O artigo apresenta o SemVideo, um novo framework que reconstrói vídeos a partir de atividade cerebral fMRI utilizando orientação semântica hierárquica para superar problemas de inconsistência visual e coerência temporal, alcançando o estado da arte em alinhamento semântico e consistência temporal.
O artigo propõe o modelo Association DETR, que supera os atuais modelos de detecção de objetos ao integrar informações contextuais de fundo, alcançando resultados state-of-the-art no conjunto de dados COCO val2017.
O artigo apresenta o GFRRN, uma rede de nova geração para remoção de reflexos em imagens únicas que supera as limitações das abordagens anteriores ao alinhar características de modelos pré-treinados, unificar rótulos de treinamento e incorporar mecanismos de aprendizado de frequência e atenção dinâmica para alcançar desempenho superior.
O artigo apresenta o SPATIALALIGN, um framework de autoaperfeiçoamento que utiliza otimização direta de preferências (DPO) regularizada de ordem zero e uma nova métrica geométrica chamada DSR-SCORE para aprimorar a capacidade de modelos de geração de vídeo texto-para-vídeo em representar relações espaciais dinâmicas especificadas nos prompts.
O artigo apresenta o WARM-CAT, uma abordagem inovadora para Aprendizado Zero-Shot Composicional que acumula conhecimento multimodal não supervisionado e utiliza uma fila de prioridade dinâmica inicializada com dados de treinamento para adaptar protótipos durante o teste, alcançando desempenho superior em benchmarks como o novo conjunto de dados C-Fashion.
Este trabalho apresenta o primeiro framework de supressão de eventos consciente do movimento, que filtra em tempo real eventos causados por objetos móveis e movimento da câmera, alcançando alta precisão e eficiência computacional enquanto melhora significativamente aplicações downstream como a inferência de Vision Transformers e a odometria visual baseada em eventos.