2797 artigos
Este artigo apresenta o MICA, um assistente de coordenação multiagente baseado em percepção e interação por voz, projetado para oferecer suporte confiável e adaptável a fluxos de trabalho industriais em hardware offline com restrições de privacidade, utilizando uma arquitetura de cinco agentes especializados supervisionados por um verificador de segurança e uma nova técnica de fusão adaptativa de etapas.
O artigo apresenta o framework ORIC e o benchmark ORIC-Bench para avaliar e mitigar as falhas de reconhecimento de objetos em Modelos Visuais-Linguísticos de Grande Escala (LVLMs) causadas por incongruências contextuais, demonstrando que o ajuste fino com reforço visual em dados incongruentes melhora significativamente a robustez e reduz alucinações nesses modelos.
Este artigo apresenta um sistema inovador de navegação visual "teach-and-repeat" baseado em câmeras de eventos que utiliza correlação cruzada no domínio da frequência para alcançar uma latência de processamento extremamente baixa (2,88 ms) e manter erros de trajetória inferiores a 15 cm em diversos cenários diurnos e noturnos.
Este trabalho demonstra que os benchmarks atuais de compreensão de vídeo negligenciam a importância da audição ao serem resolvidos majoritariamente por pistas visuais, mas confirma que a integração de codificadores de fala em modelos de linguagem multimodais traz ganhos significativos em tarefas que exigem compreensão de áudio e alinhamento cruzado, propondo uma arquitetura escalável e de código aberto para remediar essa lacuna.
O artigo apresenta o FINS, um framework leve que reconstrói superfícies implícitas e campos de distância assinada (SDF) a partir de uma única imagem com alta eficiência e precisão, superando métodos anteriores em velocidade de convergência e viabilidade para tarefas de geração de movimento em robótica.
O artigo apresenta o QuantVGGT, um framework pioneiro de pós-treinamento para quantização de Transformers de Geometria Visual (VGGTs) que, através de uma quantização de precisão dupla suavizada e de uma amostragem diversificada filtrada por ruído, supera os desafios de distribuição de ativações e instabilidade de calibração, permitindo uma redução de memória de 3,7 vezes e aceleração de 2,5 vezes em hardware real com precisão de reconstrução superior a 98%.
O artigo apresenta o MATR (Motion-Aware Transformer), uma nova arquitetura baseada em Transformers que melhora significativamente o rastreamento de múltiplos objetos ao prever explicitamente o movimento dos objetos para atualizar as consultas de rastreamento, alcançando resultados state-of-the-art em diversos conjuntos de dados desafiadores.
O artigo propõe o GS-2M, um framework de otimização consciente de materiais baseado em 3D Gaussian Splatting que realiza a reconstrução de malhas de alta fidelidade e a decomposição de aparência de forma conjunta, superando limitações de métodos anteriores em superfícies reflexivas sem depender de componentes neurais complexos.
Este artigo apresenta o FAMDA, um framework de adaptação de domínio não supervisionado que utiliza modelos fundacionais de visão como professores em um paradigma de auto-treinamento para gerar pseudo-rótulos de alta qualidade, permitindo que uma rede estudante leve e eficiente alcance desempenho superior em tarefas densas de previsão para aplicações robóticas.
O artigo propõe o QuantSparse, um quadro unificado que integra quantização de modelo e esparsificação de atenção com técnicas de destilação e reparametrização para comprimir eficientemente transformadores de difusão de vídeo, alcançando ganhos significativos em armazenamento e velocidade de inferência sem comprometer a qualidade da geração.
O artigo apresenta o DualFlow, um framework unificado e eficiente baseado em Rectified Flow e RAG para geração de movimentos 3D interativos e reativos entre duas pessoas, condicionado a texto, música e sequências anteriores, que supera os métodos existentes em qualidade, sincronização e fidelidade semântica.
Este trabalho apresenta o PHASE-Net, um modelo leve e teoricamente fundamentado em equações físicas para medição de fotopletismografia remota (rPPG) que supera os desafios de movimento e iluminação através de componentes inovadores como o Trocador Axial de FLOPs Zero, Filtro Espacial Adaptativo e TCN com Portão, alcançando desempenho de ponta e eficiência para implantação prática.
Este trabalho apresenta o LMOD+, um novo benchmark multimodal em oftalmologia expandido com 32.633 instâncias e avaliações abrangentes de modelos de linguagem grandes multimodais, visando impulsionar o desenvolvimento de IA para diagnóstico e triagem de doenças oculares que ameaçam a visão.
O artigo apresenta o REVEL, uma nova tarefa de manipulação interativa de vídeos em streaming, e propõe o DragStream, uma abordagem sem treinamento que corrige a deriva de distribuição latente e mitiga interferências contextuais para permitir a edição precisa de qualquer elemento em qualquer momento dentro de modelos de difusão autoregressivos.
O artigo apresenta o AR-Drag, o primeiro modelo de difusão autoregressivo aprimorado por aprendizado por reforço para geração de vídeo em tempo real a partir de imagens, que supera os desafios de latência e qualidade ao permitir controle preciso de movimentos diversos com apenas 1,3 bilhão de parâmetros.
Esta revisão de escopo sistemática analisa o estado da arte de modelos generativos profundos não supervisionados para detecção de anomalias em neuroimagem, destacando seu potencial para localizar patologias sem necessidade de anotações detalhadas, ao mesmo tempo em que identifica desafios como a heterogeneidade metodológica e a necessidade de validação externa mais robusta.
Este artigo apresenta o framework CMR (Repetição Multimodal Baseada em Colisão) para o novo desafio de Segmentação Audiovisual Contínua (CAVS), abordando eficazmente a deriva semântica e a confusão por co-ocorrência em cenários de aprendizado contínuo de classes finas através de estratégias inovadoras de seleção e repetição de amostras.
O artigo apresenta o Dream4Drive, um novo framework de geração de dados sintéticos que utiliza modelos de mundo de direção e um conjunto de dados 3D (DriveObj3D) para criar vídeos realistas e multi-visão, demonstrando melhorias significativas no desempenho de modelos de percepção autônoma, especialmente em casos extremos, superando as limitações de métodos anteriores que dependiam de estratégias de treinamento ineficientes.
O artigo apresenta o MoE-GS, um novo quadro unificado para a reconstrução de cenas dinâmicas via Gaussian Splatting que integra múltiplos especialistas especializados por meio de um roteador de pixels consciente de volume para superar as limitações de métodos existentes, oferecendo também estratégias de otimização para mitigar o custo computacional.
O artigo apresenta o AnyPcc, um framework universal de compressão de nuvens de pontos que supera as limitações de generalização existentes ao combinar um Modelo de Contexto Universal robusto a diversas densidades com uma estratégia de Ajuste Fino Adaptativo à Instância (IAFT), alcançando resultados state-of-the-art em diversos conjuntos de dados reais com baixa complexidade.