8401 artigos
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.
Este trabalho propõe um quadro inovador de aprendizado auto-supervisionado que utiliza atributos espaciais e temporais de imagens de rua para aprender representações urbanas robustas, superando métodos tradicionais em tarefas como reconhecimento de lugar, estimativa socioeconômica e percepção humano-ambiente.
O estudo apresenta o SAMRI-2, um modelo de visão computacional baseado em memória que supera os métodos existentes na segmentação de cartilagem e menisco em ressonâncias magnéticas 3D do joelho, oferecendo maior precisão morfológica e reduzindo significativamente o esforço de anotação humana.
Este artigo apresenta o Interpretable Visual Prompt Tuning (IVPT), um novo framework que introduz protótipos de conceitos entre camadas para vincular prompts visuais a conceitos semânticos compreensíveis por humanos, permitindo a geração de prompts interpretáveis em múltiplas profundidades da rede e demonstrando superioridade em desempenho e interpretabilidade em benchmarks de classificação de granularidade fina.
Este artigo apresenta o Hier-COS, um novo framework que utiliza a composição de subespaços ortogonais para criar representações de características hierarquicamente conscientes e consistentes, superando as limitações das métricas de avaliação existentes através da proposta do HOPS e alcançando desempenho superior em tarefas de classificação hierárquica.
O artigo propõe o SpHOR, uma abordagem de aprendizado de representação supervisionada que, ao empregar embeddings de rótulos ortogonais, restrições esféricas e técnicas de regularização como Mixup e Label Smoothing, melhora significativamente a separabilidade angular e de norma para alcançar resultados de ponta na Reconhecimento de Conjunto Aberto (OSR).
O artigo apresenta o PSGait, um framework inovador que combina silhuetas com uma nova representação chamada "Parsing Skeleton" para melhorar a precisão e a generalização do reconhecimento de marcha em cenários reais, superando os métodos atuais com menor custo computacional.
O artigo apresenta o VideoMind, um agente de vídeo-linguagem inovador que utiliza um fluxo de trabalho baseado em papéis coordenado por um mecanismo Chain-of-LoRA para realizar raciocínio temporal fundamentado com alta eficiência e flexibilidade em diversas tarefas de compreensão de vídeo.
O artigo apresenta o ShapeShift, um método que utiliza um campo de fase deformável guiado por características de modelos de difusão para organizar objetos rígidos em configurações semanticamente coerentes e livres de sobreposições, resolvendo o conflito entre validade física e clareza conceitual.
Este trabalho apresenta o novo conjunto de dados e benchmark Qualcomm Interactive Video Dataset (IVD) para avaliar a capacidade de modelos de visão e linguagem de responder a perguntas em tempo real sobre cenas do mundo vivo, demonstrando que, embora os modelos atuais fiquem muito aquém do desempenho humano, o ajuste fino com esses dados pode reduzir significativamente essa lacuna em diversas habilidades perceptivas.
Este artigo propõe um novo método de geração de pesos analógicos inspirado no cérebro humano, denominado BiAG, que utiliza atenção de auto-peso, analogia entre pesos e protótipos, e conversão semântica baseada na teoria do Colapso Neural para gerar pesos de novas classes em cenários de Aprendizado Incremental de Classe com Poucos Exemplos (FSCIL) sem ajuste fino de parâmetros, alcançando desempenho superior ao estado da arte em diversos conjuntos de dados.
O artigo apresenta o JavisDiT, um novo modelo Transformer de difusão que gera áudio e vídeo sincronizados a partir de prompts de texto, utilizando um mecanismo de prioridade hierárquica para alinhamento e um novo benchmark para avaliação de sincronia.
O artigo apresenta o STEP, um método de sonda leve e eficiente que supera técnicas de ajuste fino tradicionais ao modelar a ordem temporal das imagens para reconhecer ações quase simétricas em interações humano-robô, estabelecendo um novo estado da arte com menor custo computacional.
O artigo propõe o método DL4ND, a primeira abordagem direta para a Generalização Consciente de Ruído (NAG), que supera as limitações de métodos existentes ao utilizar rótulos de domínio para detectar ruído com base na variação amostral entre domínios, alcançando ganhos de desempenho significativos em diversos cenários.
O artigo apresenta o nnLandmark, um framework autoconfigurável para detecção de marcos anatômicos em 3D que combina componentes do nnU-Net para alcançar desempenho de ponta, facilitar o treinamento sem necessidade de ajuste manual de hiperparâmetros e estabelecer um padrão unificado para avaliação e comparação de métodos na área médica.
Este artigo propõe um mecanismo de atenção guiada por confiança que aprimora o casamento de características semi-densas ao adaptar dinamicamente os pesos de atenção e as características de valor com base em mapas de confiança, eliminando assim ruídos de regiões irrelevantes e superando os métodos mais avançados existentes.
O artigo apresenta o GRILL, uma técnica que restaura os sinais de gradiente em camadas mal condicionadas de autoencodificadores, permitindo ataques adversariais mais eficazes e uma avaliação mais rigorosa da robustez desses modelos e de arquiteturas multimodais similares.
Este artigo propõe um método de transferência de representação de recursos para modelos leves baseado no conceito de "coerência de percepção", que utiliza um novo função de perda probabilística para alinhar as classificações de dissimilaridade dos dados entre o professor e o aluno, permitindo que o modelo menor aprenda a percepção global do professor sem precisar preservar sua geometria absoluta.