8622 artigos
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.
Este artigo demonstra que os filtros aprendidos em redes profundas separáveis por profundidade, baseadas na arquitetura ConvNeXt, podem ser efetivamente modelados e substituídos por filtros de espaço de escala discretos idealizados, derivados de operadores de diferença aplicados a kernels gaussianos, mantendo propriedades preditivas comparáveis.
Este artigo propõe um método de calibração espacial-temporal IMU-câmera ultra-rápido e eficiente que substitui a representação de estado contínua tradicional por uma representação de tempo discreto, superando as limitações computacionais e de calibração temporal para viabilizar a calibração em massa de plataformas visuais-inerciais.
O artigo apresenta o RangeSAM, o primeiro framework que adapta o modelo de fundação visual SAM2 para a segmentação de nuvens de pontos LiDAR em visão de alcance, alcançando desempenho competitivo no SemanticKITTI com alta eficiência computacional ao explorar modificações arquitetônicas específicas para as propriedades geométricas das projeções esféricas.
Este artigo avalia e integra múltiplas métricas de similaridade representacional em sistemas neurais biológicos e artificiais, demonstrando que a fusão de grafos de similaridade (via Similarity Network Fusion) supera medidas individuais ao revelar com maior clareza a estrutura hierárquica do processamento visual e as relações entre famílias de modelos.
O artigo apresenta o WAVE, o primeiro modelo baseado em LLM que cria um espaço de representação unificado para texto, áudio e vídeo, alcançando resultados state-of-the-art em recuperação cruzada e em tarefas de perguntas e respostas multimodais através de uma estratégia inovadora de fusão hierárquica de características e treinamento conjunto.
O artigo apresenta o CMT (Consistency Mid-Training), uma nova etapa intermediária de treinamento que estabiliza e acelera o aprendizado de modelos de mapa de fluxo, como Consistency Models e Mean Flow, alcançando resultados de estado da arte com até 98% menos dados e tempo de GPU em comparação com métodos anteriores.
O artigo apresenta o AlignTok, uma estratégia de três etapas que alinha codificadores visuais pré-treinados a tokenizadores para modelos de difusão, aproveitando sua rica estrutura semântica para acelerar a convergência e melhorar a qualidade da geração de imagens em comparação com os métodos tradicionais.
O artigo apresenta o SAGE, um pipeline de treinamento unificado que aprimora o Reconhecimento Visual de Locais ao integrar um módulo de sondagem suave para agregação de características locais e uma exploração adaptativa de grafos geo-visuais para mineração de amostras difíceis, alcançando desempenho state-of-the-art em oito benchmarks.
O artigo apresenta o Flower, um solver inovador para problemas inversos lineares que utiliza um modelo de fluxo pré-treinado em um processo iterativo de três etapas para gerar reconstruções consistentes com as medições, unificando perspectivas teóricas de amostragem bayesiana e alcançando resultados state-of-the-art com hiperparâmetros universais.
O artigo apresenta o VIRTUE, um novo modelo de incorporação universal texto-imagem que integra interações visuais (como pontos e máscaras) para melhorar a precisão na localização de regiões de interesse e o aprendizado de informações em nível de entidade, alcançando desempenho superior em benchmarks universais e em uma nova tarefa de recuperação de legendas baseada em segmentação.