8398 artigos
O artigo apresenta o Spa3R, um framework auto-supervisionado que utiliza o paradigma de Modelagem de Campo Espacial Preditivo (PSFM) para aprender representações espaciais unificadas a partir de imagens 2D não calibradas, permitindo que modelos de linguagem e visão (VLMs) alcancem um raciocínio espacial 3D superior sem depender de modalidades 3D explícitas.
O artigo apresenta o HVG, um modelo de difusão de vídeo latente que gera vídeos humanos de alta qualidade, consistentes no espaço e no tempo, a partir de uma única imagem, permitindo controle preciso de pose 3D e viewpoint através de modulação articulada de pose, alinhamento de viewpoints e amostragem espaço-temporal progressiva.
Os autores desenvolveram o framework TomoROIS-SurfORA, que combina segmentação direta de regiões de interesse por aprendizado profundo e análise morfológica de superfícies para permitir a quantificação automática de características de membranas em imagens de criomicroscopia eletrônica de tomografia.
Este artigo apresenta o "Planejamento Reflexivo em Tempo de Teste", um novo paradigma para LLMs corporificados que integra reflexão durante a ação, reflexão pós-ação e reflexão retrospectiva para permitir que robôs aprendam com erros e melhorem seu desempenho em tarefas de longo prazo, superando significativamente os modelos de base em benchmarks de tarefas domésticas e de manipulação.
Este artigo apresenta o método de agrupamento guiado por atenção (AGC) como uma técnica eficiente para compressão de índices de vetores múltiplos em qualquer modalidade, superando outros métodos de compressão e mantendo o desempenho competitivo em tarefas de recuperação de texto, documentos visuais e vídeo.
O artigo apresenta o Squint, um método de aprendizado por reforço visual baseado em Soft Actor Critic que, ao empregar técnicas como simulação paralela e "resolução squinting", alcança um tempo de treinamento mais rápido que métodos anteriores e permite a transferência bem-sucedida de políticas treinadas em simulação para um robô real em apenas 15 minutos.
Os autores desenvolveram um pipeline de aprendizado auto-supervisionado que realiza segmentação de câmaras cardíacas em ultrassons sem necessidade de anotações manuais, alcançando precisão clínica comparável aos métodos supervisionados e ao padrão-ouro de ressonância magnética.
O artigo propõe o Face Pyramid Vision Transformer (FPVT), uma nova arquitetura que combina mecanismos de atenção espacial e redes feed-forward convolucionais para criar representações faciais discriminativas em múltiplas escalas, alcançando desempenho superior em reconhecimento e verificação facial com menos parâmetros que os métodos existentes.
Este artigo combina experimentos psicofísicos humanos e modelagem computacional para demonstrar que tanto humanos quanto o modelo biologicamente inspirado SeCo podem aprender rapidamente a inferir objetos ocultos a partir de contextos visuais sem supervisão, destacando o papel fundamental das associações contextuais na compreensão de cenas.
O artigo apresenta o RDFC-GAN, uma rede de fusão cíclica de duas ramificações que combina mapas de normais e um mecanismo de tradução RGB-para-Profundidade para preencher lacunas extensas em mapas de profundidade incompletos de ambientes internos, demonstrando desempenho superior nos conjuntos de dados NYU-Depth V2 e SUN RGB-D.
Este artigo apresenta um modelo de previsão espaço-temporal baseado em uma rede neural guiada por física que utiliza um método Runge-Kutta adaptativo de segunda ordem e um módulo de Fourier aprimorado por frequência, superando métodos existentes em tarefas de previsão de tempo e vídeo com maior precisão e menor contagem de parâmetros.
Este estudo demonstra que o sistema de estimativa de pose sem marcadores DeepLabCut, quando submetido a treinamento personalizado e função de refinamento, supera tanto o OpenPose quanto modelos pré-treinados, oferecendo uma solução precisa e de baixo custo para a análise da marcha em ambientes naturais.
O artigo propõe o PASS, um novo framework baseado em hiper-rede recorrente que utiliza prompts visuais e estatísticas de pesos para identificar padrões de esparsidade estrutural de alta qualidade, resultando em sub-redes mais eficientes e precisas em comparação com métodos existentes.
Este artigo apresenta o MathScape, um novo benchmark focado em avaliar a capacidade de raciocínio matemático de modelos de linguagem multimodais em contextos reais capturados por humanos, revelando que, apesar dos avanços, os modelos de última geração ainda têm desempenho inferior ao humano e que a excelência em dados sintéticos não garante eficácia em cenários do mundo real.
O artigo apresenta o -Mesh, um framework de aprendizado por reforço que aprimora a reconstrução de malhas a partir de NeRFs ao combinar pseudo-supervisão renderizada com uma estratégia de seleção de viewpoints baseada em UCB para otimizar dinamicamente a precisão geométrica e a qualidade de renderização.
O artigo apresenta o CT-AGRG, um novo modelo que gera automaticamente relatórios médicos a partir de volumes de TC torácica 3D ao primeiro prever anomalias e, em seguida, criar descrições direcionadas para cada uma, superando as limitações dos métodos existentes e demonstrando melhorias significativas na qualidade e relevância clínica dos relatórios.
Este artigo propõe uma nova representação geométrica que modela superfícies como distribuições utilizando modelos de difusão, superando as limitações de métodos baseados em coordenadas ao capturar detalhes finos e lidar com estruturas complexas, além de demonstrar eficácia em aplicações como compressão neural, modelagem dinâmica e renderização.
O artigo apresenta o Speedy-Splat, uma abordagem que otimiza o pipeline de renderização e introduz uma técnica de poda para reduzir o tamanho do modelo e o tempo de treinamento, acelerando a renderização média em 6,71 vezes sem comprometer a fidelidade visual.
O artigo apresenta o MEt3R, uma nova métrica independente do processo de amostragem que avalia a consistência multi-visão em imagens geradas ao utilizar reconstruções 3D densas via DUSt3R para comparar mapas de características entre vistas, permitindo a avaliação objetiva de diversos métodos de geração de novas visões e vídeos.
O artigo apresenta uma solução polinomial rápida e precisa para o problema de quatro pontos na perspectiva, baseada numa nova separação de variáveis que reduz o problema a um de orientação absoluta, superando os algoritmos atuais em velocidade e mantendo a precisão sob ruído realista.