8394 artigos
Este artigo apresenta o IEDD, um novo conjunto de dados interativo e aprimorado para direção autônoma, que inclui um pipeline escalável para extrair segmentos de interação, métricas para quantificar esses processos e um subconjunto VQA com vídeos sintéticos de visão de pássaro para avaliar e aprimorar o raciocínio de modelos de linguagem e visão.
O artigo apresenta o MVLAD-AD, um novo quadro de difusão mascarada que integra visão, linguagem e ação para condução autônoma, superando os desafios de latência e precisão dos modelos existentes ao utilizar uma tokenização discreta de ações e embeddings geométricos para gerar trajetórias eficientes e explicáveis.
O artigo apresenta o PropFly, um pipeline de treinamento para edição de vídeo baseada em propagação que elimina a necessidade de conjuntos de dados pareados ao utilizar supervisão em tempo real de modelos de difusão de vídeo pré-treinados, gerando pares de latentes "fonte" e "editado" dinamicamente para aprender transformações temporais consistentes e de alta qualidade.
Este artigo apresenta um método de reconstrução 3D conjunta que supera as limitações dos pipelines tradicionais ao integrar correspondências cruzadas entre sessões usando características visuais híbridas, permitindo a criação de modelos coerentes a partir de imagens capturadas com longos intervalos temporais e mudanças de aparência significativas, como em monitoramento de recifes de coral.
Este artigo propõe o InterFormer, um modelo transformador que utiliza um Gerador de Consultas Dinâmico, um Seletor de Recursos de Duplo Contexto e uma perda de Co-ocorrência Condicional para superar limitações existentes na segmentação de mãos e objetos em visão egocêntrica, alcançando desempenho de última geração e maior consistência física.
O artigo apresenta o VAGNet, um novo framework que utiliza sequências de interação dinâmica em vídeos para melhorar a localização de affordances 3D, superando as limitações de abordagens estáticas e introduzindo o dataset PVAD para suporte a essa tarefa.
Este artigo propõe o framework IPOW, que utiliza um Modelo de Decomposição de Conceitos para tornar a detecção de objetos em mundo aberto interpretável, melhorando a identificação de objetos desconhecidos e reduzindo a confusão entre categorias conhecidas e desconhecidas.
O artigo apresenta o RecoverMark, um framework de marcação d'água robusto que utiliza o próprio conteúdo facial como marca d'água embutida no fundo da imagem, permitindo simultaneamente a localização, recuperação e verificação de propriedade de rostos manipulados, mesmo sob ataques de remoção de marca d'água.
O artigo apresenta o SIFormer, um modelo baseado em transformadores que aprimora a detecção 3D de objetos ao fundir dados de radar 4D e câmeras, superando as limitações de esparsidade do radar e a falta de foco em instâncias dos métodos existentes através de um mecanismo de ativação cruzada entre vistas.
O artigo apresenta o SurgAtt-Tracker, um novo framework que rastreia a atenção cirúrgica online gerando mapas de calor densos e estáveis por meio de reranqueamento temporal e refinamento consciente do movimento, apoiado pelo grande banco de dados SurgAtt-1.16M para melhorar o controle de câmeras e o planejamento de campo de visão em cirurgias minimamente invasivas.
O artigo apresenta o SD4R, um novo framework que transforma nuvens de pontos de radar 4D esparsas em representações densas por meio de um gerador de pontos de primeiro plano e um codificador logit-query, alcançando desempenho superior ao estado da arte na detecção 3D de objetos.
Este estudo demonstra a viabilidade de utilizar modelos de visão e linguagem para estimar não invasivamente as distâncias horizontal e vertical das mãos em tarefas de levantamento manual a partir de vídeos RGB, alcançando erros médios de 6 a 8 cm e confirmando que pipelines que incluem segmentação de pixels reduzem significativamente os erros de estimativa em comparação com abordagens baseadas apenas em detecção.
O paper apresenta o AnimeAgent, um framework multi-agente pioneiro baseado em modelos de Imagem para Vídeo que supera as limitações das abordagens estáticas atuais na geração de storyboards personalizados, garantindo maior consistência, expressividade e fidelidade ao prompt através de um processo iterativo inspirado no fluxo de trabalho da Disney.
O artigo apresenta o BoxSplitGen, um modelo generativo inovador que facilita a criação 3D interativa ao iterativamente dividir caixas delimitadoras para refinar abstrações em detalhes e, subsequentemente, gerar formas 3D realistas condicionadas a essas caixas.
O artigo apresenta o BBQ, um modelo de texto para imagem em larga escala que permite controle preciso sobre a localização, o tamanho e a cor dos objetos ao condicionar a geração diretamente a coordenadas de caixas delimitadoras numéricas e tripletas RGB dentro de um framework de texto estruturado, sem necessidade de modificações arquitetônicas.
O artigo apresenta o MatchED, um módulo de supervisão baseado em correspondência leve e plug-and-play que permite a detecção de bordas nítidas (de um pixel) de forma end-to-end, eliminando a necessidade de pós-processamento não diferenciável e alcançando desempenho superior ao estado da arte em múltiplos conjuntos de dados.
O artigo apresenta o NGL-Prompter, um método sem treinamento que utiliza modelos de linguagem visual de grande escala e uma nova linguagem intermediária (NGL) para estimar padrões de costura a partir de uma única imagem, superando os métodos existentes na generalização para roupas reais e conjuntos multicamadas.
Este estudo apresenta uma metodologia baseada em inteligência artificial que utiliza o modelo DeepLabV3 com backbone MobileNetV3, pré-treinado no conjunto de dados Flare7k++, para realizar a segmentação semântica de efeitos de luz parasita em câmeras espaciais, visando sua implementação em hardware com recursos limitados e integração com pipelines de navegação a bordo.
Este artigo apresenta um método inovador baseado em 3D Gaussian Splatting para reconstrução 3D de tecidos endoscópicos deformáveis, que combina regularização geométrica multi-nível e restrições de deformação física para garantir superfícies suaves e renderização em tempo real.
O artigo apresenta o CleanStyle, um framework plug-and-play que elimina o vazamento de conteúdo em modelos de difusão para estilização de imagens ao filtrar componentes de ruído relacionados ao conteúdo via decomposição em valores singulares e introduzir um guia livre de classificador específico ao estilo, melhorando assim a fidelidade ao prompt e a qualidade visual sem necessidade de re-treinamento.