3313 artigos
O artigo apresenta o FootMR, um método de refinamento de movimento dos pés que supera as limitações das abordagens atuais em captura de movimento humana monocular sem marcadores ao levantar sequências 2D para 3D utilizando dados de captura de movimento em larga escala, resultando em uma reconstrução de articulações dos pés significativamente mais precisa.
Este trabalho explora a Resposta Visual a Perguntas (VQA) em vietnamita utilizando arquiteturas baseadas em transformers, comparando sistematicamente métricas de avaliação automática em cenários multilíngues para aprimorar o alinhamento com o julgamento humano.
O artigo apresenta o DRIFT, um modelo baseado em transformador que utiliza uma arquitetura de dupla representação para fundir características locais e globais de nuvens de pontos 4D de radar, superando os métodos existentes na detecção de objetos e estimativa de estrada livre em sistemas de direção autônoma.
O artigo apresenta o TemporalDoRA, uma nova técnica de ajuste fino eficiente em parâmetros que integra atenção temporal no gargalo de baixa dimensão para melhorar a robustez e a precisão na resposta a perguntas sobre vídeos cirúrgicos, validada no novo conjunto de dados REAL-Colon-VQA.
O artigo apresenta o TriFusion-SR, um novo framework baseado em difusão condicional guiada por wavelets que realiza a fusão conjunta e a super-resolução de imagens médicas tri-modais, superando os métodos existentes ao decompor características em bandas de frequência e calibrar coeficientes latentes para obter ganhos significativos em qualidade perceptual e métricas de precisão.
O artigo apresenta o ProGS, um codec inovador que utiliza uma estrutura de octree e mecanismos de aprimoramento de informação mútua para habilitar a codificação progressiva de 3D Gaussian Splatting, reduzindo o armazenamento em 45 vezes e melhorando a qualidade visual em mais de 10% em comparação ao formato original.
O artigo apresenta o GSStream, um sistema inovador de streaming de cenas volumétricas baseado em 3D Gaussian Splatting que utiliza previsão de viewport colaborativa e adaptação de taxa de bits por aprendizado por reforço profundo para otimizar a entrega de dados e superar os sistemas existentes em qualidade visual e eficiência de rede.
O artigo apresenta o FrameDiT, uma arquitetura de Transformer de Difusão que introduz o mecanismo de Atenção Matricial em nível de quadro para superar o compromisso entre eficiência e modelagem de dinâmicas espaço-temporais complexas, alcançando resultados de ponta na geração de vídeo com alta coerência temporal e qualidade.
O artigo apresenta o EXPLORE-Bench, um novo benchmark derivado de vídeos em primeira pessoa para avaliar a capacidade de modelos de linguagem multimodal em prever cenas finais após sequências longas de ações, revelando uma lacuna significativa em relação ao desempenho humano e demonstrando que a decomposição passo a passo das ações pode melhorar o raciocínio a longo prazo, embora com custos computacionais adicionais.
O artigo apresenta o FetalAgents, o primeiro sistema multi-agente que orquestra especialistas de visão computacional para analisar ultrassons fetais em vídeo e gerar relatórios clínicos estruturados, superando modelos existentes em precisão e adaptabilidade ao fluxo de trabalho clínico.
O artigo apresenta o -Occ, um framework inovador para previsão de oclusão semântica 3D em direção autônoma que utiliza reconstrução mascarada multiview e memória de características para manter a precisão geométrica e semântica mesmo na ausência de múltiplas câmeras, superando significativamente os métodos existentes em cenários de falha de visão.
Este artigo apresenta o SACA, um novo quadro de alinhamento contrastivo sensível a etapas que extrai supervisão densa de trajetórias imperfeitas para superar as limitações de generalização e estabilidade no treinamento de agentes de Navegação Visão-Linguagem em Ambientes Contínuos, alcançando desempenho state-of-the-art.
O artigo apresenta o ENIGMA-360, um novo conjunto de dados sincronizado de vídeos egocêntricos e exocêntricos em cenários industriais reais, equipado com anotações temporais e espaciais para impulsionar a compreensão do comportamento humano e estabelecer linhas de base para tarefas como segmentação de ações e detecção de interações.
O artigo apresenta o LAP, um modelo inovador que utiliza a expressividade da linguagem para superar a ambiguidade visual no planejamento de procedimentos em vídeos instrucionais, alcançando desempenho superior ao estado da arte em múltiplos benchmarks ao empregar um modelo de linguagem visual para gerar representações textuais distintas que alimentam um modelo de difusão para prever sequências de ações.
O artigo apresenta o LogoDiffuser, um método sem treinamento que utiliza o mecanismo de atenção de transformadores difusores multimodais para gerar e estilizar logotipos multilíngues com alta fidelidade estrutural, inserindo os caracteres como imagens em vez de prompts textuais.
O artigo apresenta o PanoAffordanceNet, um novo framework e conjunto de dados (360-AGD) que estabelecem a tarefa de "Grounding de Apropriação Holística" em ambientes internos de 360°, superando desafios como distorções geométricas e dispersão semântica para permitir uma percepção global em agentes corporificados.
O artigo "Ego" propõe um método eficiente de personalização para modelos de linguagem visual que, ao extrair tokens visuais representativos de conceitos específicos por meio dos mecanismos de atenção internos, permite que o modelo reconheça e descreva esses conceitos em novas imagens sem a necessidade de treinamento adicional ou pipelines complexos.
Este artigo demonstra que a simples remoção de gatilhos conhecidos é insuficiente para neutralizar backdoors, pois existem "gatilhos alternativos" distintos que ativam a mesma vulnerabilidade, motivando assim defesas que visem diretamente as direções do backdoor no espaço de representações em vez de apenas os gatilhos no espaço de entrada.
Este artigo demonstra que conceitos ausentes, cuja falta ativa neurônios, são comuns em redes neurais e frequentemente ignorados pelos métodos padrão de IA explicável, propondo extensões simples para técnicas de atribuição e visualização de recursos a fim de revelar e explorar essas "ausências codificadas" para melhorar a interpretabilidade e a mitigação de viés.
Este artigo propõe o DCPGN, um método inovador de adaptação no momento do teste que utiliza crescimento de protótipos multi-rótulo e consistência de dupla pista (visual e textual) para superar o desafio de antecipar ações entre as perspectivas egocêntrica e exocêntrica sem depender de dados de treinamento no alvo.