3300 artigos
O artigo apresenta o SAGE, o primeiro modelo de linguagem grande multimodal (MLLM) totalmente integrado para processar nuvens de pontos brutas diretamente, tratando os dados 3D como uma "língua estrangeira" por meio de um tokenizador leve e otimização de preferências, superando assim os métodos baseados em codificadores pré-treinados em eficiência, generalização e robustez.
O artigo apresenta o MM-Zero, um framework baseado em aprendizado por reforço que permite a auto-evolução de modelos de linguagem e visão (VLMs) a partir de zero dados, utilizando três papéis especializados (Propositor, Codificador e Solucionador) para gerar conceitos visuais, renderizá-los via código e realizar raciocínio multimodal sem necessidade de dados seminais.
Este artigo propõe uma abordagem de aprendizado de métrica baseada em descritores de ângulos interarticulares invariantes para superar as limitações de dados em reconhecimento de linguagem de sinais, permitindo transferência cruzada entre línguas com apenas alguns exemplos e superando significativamente os métodos baseados em coordenadas.
O artigo apresenta o TubeMLLM, um modelo fundamental unificado que combina compreensão estruturada e geração controlável para explorar a topologia de anatomias vasculares, superando os métodos existentes em consistência topológica, generalização zero-shot e robustez através de um novo conjunto de dados multimodal e uma arquitetura de atenção compartilhada.
Este artigo propõe uma nova função de perda para treinar uma Rede Neural Convolucional Distribuída (DisCNN) que reconhece apenas uma classe positiva específica, mapeando amostras positivas para um conjunto compacto e negativas para a origem, o que permite uma arquitetura leve com excelente generalização e detecção eficaz de objetos em fundos complexos.
O artigo apresenta o UniField, um framework unificado que aprimora imagens de ressonância magnética (MRI) ao integrar modelos fundacionais 3D e um mecanismo de retificação espectral consciente do campo magnético, superando a escassez de dados com um novo conjunto de dados emparelhado de grande escala e alcançando desempenho superior ao estado da arte.
O artigo apresenta o HelixTrack, um método totalmente baseado em eventos que rastreia objetos semelhantes a hélices e estima sua rotação por minuto (RPM) com latência de microssegundos, superando as limitações de rastreadores convencionais e introduzindo o novo conjunto de dados TQE para validação.
O artigo apresenta o BridgeDiff, um framework baseado em difusão que supera as limitações dos métodos anteriores ao conectar observações humanas e síntese de roupas planas através de dois módulos complementares, resultando em reconstruções de roupas virtuais com maior qualidade estrutural e fidelidade visual.
O artigo apresenta o RAE-NWM, um modelo de mundo de navegação que opera no espaço de representações visuais densas do DINOv2 em vez de espaços latentes comprimidos, utilizando um Transformer de Difusão Condicional para melhorar a estabilidade estrutural e a precisão das ações na navegação visual.
O artigo propõe o módulo Geometric Semantic Decoupling (GSD), uma solução sem parâmetros que elimina dependências de semântica pré-treinada em modelos de visão para forçar a detecção de evidências forenses invariantes, resultando em maior generalização e robustez na identificação de imagens geradas por IA.
O artigo apresenta o Poly-DETR, um modelo baseado em Transformers que reformula a segmentação de instâncias como regressão de vértices esparsos via representação polar, superando métodos de última geração em precisão e eficiência computacional em cenários de alta resolução e domínios específicos.
Este estudo apresenta uma abordagem multimodelo baseada em redes neurais pré-treinadas e personalizadas, combinando técnicas avançadas de visão computacional e aprendizado profundo para aprimorar a detecção de sinais de trânsito, veículos e faixas, bem como o clonagem de comportamento, visando aumentar a robustez e confiabilidade dos sistemas de direção autônoma.
O artigo propõe o framework DiP, uma nova abordagem para aprendizado de representação em grafos multimodais que utiliza nós pseudo-específicos e caminhos de informação dinâmicos para alcançar propagação de mensagens adaptativa, expressiva e esparsa com complexidade linear, superando métodos existentes em tarefas como previsão de links e classificação de nós.
Este artigo apresenta um novo quadro de trabalho para navegação visão-linguagem que utiliza vídeos de tours de ambientes reais da web e representações geométricas implícitas para superar as limitações de escalabilidade e diversidade dos simuladores, estabelecendo novos recordes de desempenho e permitindo agentes de navegação zero-shot mais robustos.
O artigo apresenta o ForgeDreamer, um novo framework que supera as limitações atuais na geração de modelos 3D industriais a partir de texto ao combinar um mecanismo de ensemble Multi-Expert LoRA para evitar interferência de conhecimento entre categorias e uma abordagem de hipergrafo multivista para capturar dependências estruturais de alta ordem essenciais para a precisão na manufatura.
Este artigo propõe novas estratégias de treinamento e funções de perda que encurtam as listas de Gaussianas necessárias para renderizar pixels, acelerando significativamente o processo de aprendizado do 3D Gaussian Splatting sem comprometer a qualidade da renderização.
O artigo apresenta o SVOR, um novo framework robusto que supera os desafios de remoção de objetos em vídeos sob condições imperfeitas, como sombras e máscaras defeituosas, através de três inovações principais: a estratégia MUSE para fusão de máscaras, o cabeçote de segmentação DA-Seg e um treinamento em duas etapas com currículo, alcançando resultados state-of-the-art e viabilizando aplicações no mundo real.
Este trabalho propõe um novo método de aprendizado de campos de características que permite, pela primeira vez, um modelo feed-forward para decomposição convexa em cenários abertos, gerando decomposições de alta qualidade de formas 3D essenciais para simulações físicas e generalizando-se para diversas representações geométricas.
O artigo apresenta o CogBlender, um framework inovador que permite a intervenção contínua e multidimensional de propriedades cognitivas (como valência, excitação, domínio e memorabilidade) na geração de imagens a partir de texto, alinhando a criação visual a intenções psicológicas específicas através da reformulação do campo de velocidade no processo de correspondência de fluxo.
O artigo apresenta o MDTrack, um novo framework para rastreamento de objetos multimodal que supera as limitações das abordagens existentes ao utilizar fusão adaptativa baseada em Mixture of Experts e propagação temporal desacoplada via State Space Models, alcançando desempenho state-of-the-art em cinco benchmarks.