8179 artigos
O artigo apresenta o PCPO, um novo framework de otimização de política que resolve a instabilidade no treinamento de modelos de geração de imagem ao impor uma atribuição de crédito proporcional entre os timesteps, resultando em convergência acelerada e qualidade de imagem superior ao mitigar o colapso do modelo.
Este trabalho propõe o RobustVLA, um modelo de Visão-Linguagem-Ação que melhora significativamente a robustez contra perturbações multimodais através de otimização offline e seleção adaptativa de ruído, superando os modelos existentes tanto em simulação quanto em robôs reais com poucos dados.
O artigo apresenta o DeLTa, um novo framework que integra estimativa de profundidade, pose 6D e planejamento guiado por linguagem para permitir a manipulação precisa de longo prazo de objetos transparentes novos a partir de uma única demonstração, superando as limitações de generalização e precisão dos métodos existentes.
Este artigo apresenta o Spatial-DISE, um benchmark unificado e um conjunto de dados escaláveis baseados em uma taxonomia cognitiva que avalia a capacidade de raciocínio espacial de modelos de linguagem visuais, revelando uma lacuna significativa entre o desempenho atual das máquinas e a competência humana, especialmente em tarefas intrínsecas dinâmicas e multi-etapa.
O artigo apresenta o UniGenBench++, um novo benchmark unificado e multilíngue para avaliação semântica de geração de imagens a partir de texto, que supera as limitações de diversidade e granularidade dos trabalhos existentes ao oferecer 600 prompts hierárquicos cobrindo 27 critérios de avaliação e um pipeline automatizado para testes robustos de modelos.
O artigo apresenta o egoEMOTION, o primeiro conjunto de dados que combina sinais visuais egocêntricos e fisiológicos com autorrelatos densos de emoção e personalidade para estabelecer novos benchmarks em tarefas de reconhecimento afetivo e inferência de traços em cenários do mundo real.
Este trabalho apresenta um novo framework que integra dados acústicos e visuais para localizar eventos sonoros cirúrgicos em 3D e gerar representações multimodais dinâmicas de cenas cirúrgicas, visando aprimorar a compreensão contextual de sistemas cirúrgicos inteligentes.
O artigo apresenta o SpecAware, um modelo fundamental inovador que unifica a aprendizagem multi-sensorial em mapeamento de sensoriamento remoto hiperespectral através de uma arquitetura baseada em hiper-rede capaz de integrar atributos de sensores e conteúdo de imagem para superar a heterogeneidade dos dados, apoiado pelo novo conjunto de dados de pré-treinamento Hyper-400K.
O artigo apresenta o VCFlow, uma nova arquitetura de decodificação visual inspirada no processamento cognitivo humano que, ao modelar as vias ventral e dorsal do cérebro e utilizar aprendizado contrastivo, permite reconstruir experiências visuais contínuas a partir de fMRI em novos sujeitos sem necessidade de treinamento específico, oferecendo uma solução rápida e escalável para aplicações clínicas.
Este artigo apresenta o primeiro método de detecção de mudanças de cena online que é agnóstico à pose, livre de rótulos e garante consistência multivista, superando abordagens offline existentes ao atingir mais de 10 FPS através de uma nova perda de fusão auto-supervisionada, estimativa de pose rápida baseada em PnP e uma estratégia de atualização guiada por mudanças para a representação de cena com Splatting Gaussiano 3D.
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.