7913 artigos
O artigo apresenta o CuriGS, um framework guiado por currículo que melhora a síntese de visão esparsa em Gaussian Splatting 3D através da geração e seleção progressiva de "vistas de aluno" pseudo-sintéticas para aumentar estávelmente o conjunto de dados de treinamento.
O artigo apresenta o PPCL, um framework de poda estruturada e flexível para Difusores Transformers (DiTs) que utiliza destilação contínua entre camadas para reduzir em 50% o número de parâmetros com menos de 3% de degradação na qualidade de geração de imagens, facilitando sua implantação em ambientes com recursos limitados.
Este trabalho propõe uma estratégia de ajuste fino eficiente em dados que, ao aprender controles gerativos a partir de dados sintéticos esparsos e de baixa qualidade, não apenas habilita o controle desejado em modelos de texto-para-vídeo, mas também produz resultados superiores aos obtidos com dados fotorealísticos.
O artigo apresenta o ViPO, uma variante do GRPO que substitui recompensas escalares por mapas de vantagem pixel a pixel, permitindo que modelos generativos visuais aprendam preferências humanas com maior precisão espacial e temporal, superando as limitações de métodos existentes em benchmarks de imagem e vídeo.
O artigo apresenta o KeyTailor, um novo framework que melhora a virtualização de roupas em vídeos através de uma estratégia de injeção de detalhes orientada a quadros-chave para preservar a dinâmica das roupas e a integridade do fundo, acompanhado pelo conjunto de dados ViT-HD de alta definição para superar as limitações atuais em fidelidade e eficiência computacional.
O artigo apresenta o CogFlow, um novo framework de três estágios inspirado na cognição humana que supera as limitações atuais na resolução de problemas matemáticos visuais ao integrar explicitamente a percepção, a internalização de conhecimento e o raciocínio, utilizando recompensas visuais sinérgicas, um modelo de recompensa para internalização e otimização de política com portão visual, apoiado pelo novo conjunto de dados MathCog.
O artigo apresenta o Fast-ThinkAct, um framework eficiente para tarefas de Visão-Linguagem-Ação que utiliza raciocínio latente verbalizável para reduzir drasticamente a latência de inferência em comparação com métodos anteriores, mantendo ao mesmo tempo alta capacidade de planejamento e adaptação em ambientes dinâmicos.
O artigo apresenta o MetamerGen, uma ferramenta baseada em modelos de difusão latente que gera metameros de cenas ao combinar informações de contexto periférico com detalhes fixados, permitindo criar imagens que correspondem à compreensão humana latente de uma cena.
Este artigo propõe a rede neural THz-SSDD, baseada em Análise de Componentes Principais (PCA) e aprendizado auto-supervisionado, para realizar simultaneamente a remoção de ruído e o desembaçamento de imagens terahertz, superando as limitações das técnicas convencionais sem a necessidade de dados rotulados ou intervenção manual.
Este artigo propõe uma taxonomia unificada e estende a biblioteca TorchGeo com uma API padronizada para transformar embeddings de modelos fundamentais geoespaciais em produtos de dados acessíveis, resolvendo assim a fragmentação atual e facilitando a comparação de modelos e a reprodutibilidade em fluxos de trabalho de observação da Terra.
Este artigo apresenta a ACLNet, uma rede de aprendizado contrastivo baseada em afinidade que melhora a compreensão de atividades humanas esqueléticas ao explorar relações de agrupamento interclasses, refinar medições de similaridade e empregar estratégias adaptativas para superar as limitações dos métodos existentes.
O artigo apresenta o CER-HV, um quadro de trabalho com intervenção humana que combina deteção de ruído baseada em CER e verificação humana para identificar e limpar erros em conjuntos de dados de reconhecimento de texto manuscrito em escrita árabe, demonstrando melhorias significativas na precisão e estabelecendo novos baselines de desempenho.
Este artigo propõe uma estratégia de otimização guiada por Pareto para segmentação de imagens médicas que, combinando um currículo baseado em regiões, uma função de perda consistente com Pareto e um mecanismo de rotulagem fuzzy, supera as abordagens tradicionais ao priorizar áreas de alta certeza e gerenciar a ambiguidade nas bordas para alcançar soluções de equilíbrio ótimas.
O artigo apresenta o DVLA-RL, um novo método de aprendizado com poucos exemplos que utiliza alinhamento semântico de linguagem e visão em dois níveis, combinado com um mecanismo de atenção acionado por aprendizado por reforço, para alcançar desempenho superior ao estado da arte em nove benchmarks ao integrar dinamicamente atributos de baixo nível e descrições de alto nível.
Este trabalho propõe um novo framework de computação totalmente óptica baseado em redes neurais difrativas para realizar segmentação semântica e detecção de faixas em veículos autônomos, demonstrando experimentalmente sua eficácia e eficiência energética em comparação com as abordagens convencionais baseadas em redes neurais digitais.
O artigo apresenta o GOT-Edit, uma abordagem de edição de modelo online que integra pistas geométricas 3D a rastreadores de objetos genéricos baseados em 2D, resultando em maior robustez e precisão, especialmente em cenários com oclusão e distrações.
O relatório técnico apresenta o UI-Venus-1.5, uma nova família de agentes de interface gráfica unificados e de ponta que, através de avanços como um estágio de treinamento intermediário abrangente, aprendizado por reforço online e fusão de modelos, alcança desempenho superior em benchmarks globais e demonstra robustez na execução de tarefas em aplicativos móveis reais, incluindo em português e chinês.
Este estudo demonstra que os modelos de base geoespacial Prithvi-EO-2.0 e TerraMind superam consistentemente a linha de base ResNet-101 em tarefas ecológicas como estimativa de traços florestais, mapeamento de uso do solo e detecção de turfeiras, embora seu desempenho dependa criticamente do alinhamento entre os dados de entrada e as modalidades de pré-treinamento, bem como da resolução e precisão dos rótulos.
O DriveMamba é um modelo escalável baseado em Espaços de Estado (Mamba) que supera as limitações de eficiência e escalabilidade dos sistemas de direção autônoma de ponta a ponta atuais, substituindo a arquitetura sequencial baseada em Transformers por um decodificador unificado de complexidade linear capaz de modelar dinamicamente as relações entre tarefas e integrar percepção, previsão e planejamento de forma eficiente.
O Sim2Radar é um framework que preenche a lacuna entre simulação e realidade em percepção por radar de ondas milimétricas ao sintetizar dados de treinamento a partir de imagens RGB, utilizando reconstrução de cena guiada por visão computacional e linguagem para inferir materiais e simular propagação física, resultando em melhorias significativas na detecção de objetos 3D em ambientes reais com poucos dados supervisionados.