8347 artigos
Este artigo propõe a NS-FPN, uma rede de pirâmide de características leve e eficaz que, ao adotar uma perspectiva de supressão de ruído no domínio da frequência através dos módulos LFP e SFS, melhora significativamente a detecção e segmentação de alvos pequenos no infravermelho, reduzindo falsos alarmes em cenários com ruído intenso.
Este artigo propõe o SSD-Reg, uma nova abordagem de regularização aprendida baseada em modelos de difusão que, integrada a um esquema variacional orientado por física, resolve o problema inverso não linear e mal-posto da Tomografia de Micro-ondas sem a necessidade de dados de treinamento pareados, permitindo a reconstrução precisa de estruturas anatômicas complexas.
O artigo apresenta o PaCo-FR, um framework de pré-treinamento não supervisionado que combina modelagem de imagens mascaradas com alinhamento patch-pixel para superar desafios na representação facial, alcançando desempenho de ponta em diversas tarefas de análise facial com apenas 2 milhões de imagens não rotuladas.
Este artigo apresenta o TS-Mamba, um novo método de super-resolução de vídeo online que utiliza modelos de espaço de estado (SSM) com deslocamento e modelagem de trajetória para agregar informações espaciais e temporais de longo alcance, alcançando desempenho superior e uma redução significativa na complexidade computacional.
O artigo apresenta o MoSA, um modelo inovador que gera vídeos humanos coerentes ao desacoplar a geração de estrutura e aparência, utilizando um transformador 3D e restrições de contato para superar as limitações de movimento e interação com o ambiente encontradas em abordagens anteriores.
Este artigo apresenta o framework DeReF, uma abordagem multimodal inovadora para previsão de sobrevivência ao câncer que supera as limitações de fusão estática e isolamento de informações em métodos existentes, integrando uma estratégia de reorganização aleatória de características e atenção cruzada regional para melhorar a generalização e a interação entre modalidades, conforme validado em conjuntos de dados de câncer de fígado e TCGA.
Este artigo propõe um novo framework que supera os desafios da heterogeneidade de dados na modelagem de frequência cardíaca, combinando dropout de recursos aleatórios, atenção histórica e aprendizado contrastivo para gerar representações unificadas e robustas, validadas pelo desempenho superior em um novo conjunto de dados benchmark chamado PARROTAO.
Este artigo apresenta o EHWGesture, um novo conjunto de dados multimodal e multi-visão que integra vídeos RGB-Profundidade, câmeras de eventos e rastreamento de marcadores para o reconhecimento de gestos clínicos e a avaliação da qualidade da execução.
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.