8505 artigos
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.
O artigo apresenta o U2-BENCH, o primeiro benchmark abrangente para avaliar modelos de linguagem e visão grandes (LVLMs) na compreensão de imagens de ultrassom, revelando que, embora esses modelos tenham bom desempenho em classificação de imagens, ainda enfrentam desafios significativos em raciocínio espacial e geração de linguagem clínica.
O artigo apresenta o TEMU-VTOFF, um novo framework baseado em DiT que utiliza informações multimodais (imagem, texto e máscara) para superar as limitações de ambiguidade e perda de detalhes nos métodos existentes, gerando imagens padronizadas de produtos de vestuário a partir de fotos de pessoas vestidas com alta fidelidade e realismo.
Este artigo propõe um novo codec de vídeo neural para quadros B que introduz compressão de movimento de alta granularidade e fusão temporal seletiva, alcançando reduções significativas na taxa de bits em comparação com métodos anteriores e desempenho competitivo em relação ao padrão H.266/VVC.
Este artigo apresenta a Distância de Características de Percepção (PCD), uma nova métrica que incorpora a incerteza dos modelos para avaliar a estabilidade e robustez de sistemas de direção autônoma em condições dinâmicas, validada através do novo conjunto de dados SensorRainFall que demonstra a superioridade da métrica sobre os métodos tradicionais em diferentes cenários climáticos e de iluminação.
Este trabalho demonstra que a incorporação de imagens de referência saudáveis e prompts comparativos em modelos de visão e linguagem médica, potencializada por um ajuste fino supervisionado leve, melhora significativamente o desempenho diagnóstico ao alinhar melhor as representações visuais e textuais e aumentar a eficiência amostral.
Este trabalho propõe um novo framework de reconstrução hiperespectral a partir de múltiplas imagens (MI-HSR) que utiliza um sistema de três câmeras de smartphone com filtros espectrais e um módulo de alinhamento leve para superar as limitações de abordagens de imagem única, resultando em estimativas espectrais 30% mais precisas e um aumento de 5% na qualidade de reconstrução, apoiado pelo lançamento do primeiro dataset específico para essa tarefa.
Este artigo apresenta o SCINet, uma nova estrutura para aprendizado multirrotulado parcial que supera os métodos mais recentes ao integrar conhecimento semântico de co-ocorrência por meio de um prompter bi-dominante, um módulo de fusão cruzada e uma estratégia de aumento semântico intrínseco para lidar eficazmente com dados incompletamente anotados.
O MoVieS é um modelo de síntese de visão que reconstrói cenas dinâmicas 4D a partir de vídeos monoculares em um segundo, unificando a modelagem de aparência, geometria e movimento em um único framework que permite reconstrução, síntese de novas vistas e rastreamento de pontos 3D com alta eficiência e suporte a aplicações zero-shot.
O artigo apresenta o Winsor-CAM, um método eficiente e ajustável pelo usuário que gera explicações visuais robustas para redes neurais convolucionais ao agregar mapas de gradiente de todas as camadas e aplicar Winsorização percentilada para atenuar contribuições de outliers, superando consistentemente técnicas existentes em métricas de localização e fidelidade em tarefas de visão computacional e médica.
O artigo propõe o DEFNet, uma Rede de Fusão Profunda Baseada em Evidências Multitarefa que aprimora a Avaliação de Qualidade de Imagem Cega (BIQA) através da integração de tarefas auxiliares, uma estratégia de fusão de informações confiável e estimativa de incerteza avançada, demonstrando robustez e generalização em diversos conjuntos de dados.
O artigo apresenta o LRR-Bench, um benchmark sintético que avalia a compreensão espacial de modelos visão-linguagem, revelando que, embora humanos alcancem desempenho quase perfeito, os modelos atuais ainda lutam significativamente com tarefas que envolvem posições absolutas e movimentos 3D.
O artigo apresenta o Follow-Your-Shape, um framework sem treinamento e sem máscaras que utiliza um Mapa de Divergência de Trajetória e injeção programada de KV para realizar edições precisas de forma de objetos preservando o conteúdo de fundo, além de introduzir o ReShapeBench para avaliação rigorosa dessa tarefa.
Este projeto apresenta um sistema de aprendizado profundo em tempo real que utiliza redes neurais convolucionais para traduzir gestos de língua de sinais capturados por webcam em texto e fala, visando superar barreiras de comunicação para pessoas com deficiência auditiva e vocal.
O artigo apresenta o TriMM, o primeiro modelo generativo 3D nativo de alimentação direta que utiliza codificação multi-modal colaborativa e supervisão auxiliar para gerar ativos 3D de alta qualidade, combinando eficazmente as vantagens de texturas RGB e geometrias de nuvens de pontos mesmo com conjuntos de dados de treinamento limitados.
Este artigo apresenta o FLUID, um novo conjunto de dados de trajetórias de tráfego de alta fidelidade e um framework leve para processamento via drone, focado em conflitos densos em cruzamentos urbanos sinalizados para apoiar pesquisas em comportamento de tráfego e direção autônoma.
Este estudo propõe um quadro baseado em IA que integra dados multimodais de mídia social para decodificar a percepção turística em bairros históricos de Xangai, revelando lacunas entre a realidade física e a representação visual online para orientar o planejamento urbano e a gestão do patrimônio.
O MOGS é um framework de Gaussian Splatting 3D monocular para grandes cenas que substitui sensores LiDAR caros por profundidade densa metrizada derivada de pistas visuais-inerciais e priores de forma de objetos, reduzindo significativamente o tempo de treinamento e o consumo de memória enquanto mantém qualidade de renderização competitiva.