54 artigos
O artigo apresenta o CDGLT, um novo quadro de trabalho eficiente que utiliza o ajuste de LayerNorm guiado por deriva de conceitos para melhorar a identificação de metáforas multimodais, alcançando desempenho de última geração no benchmark MET-Meme com custos de treinamento reduzidos.
Este artigo propõe e avalia uma abordagem inovadora que utiliza avatares virtuais e música gerada por IA para transformar sílabos textuais em apresentações audiovisuais cantadas, demonstrando que essa estratégia aumenta significativamente o engajamento, a compreensão e a retenção das informações essenciais pelos estudantes.
Este artigo apresenta um framework robusto de verificação de locutor baseado em uma mistura de especialistas condicionada ao ruído, que utiliza roteamento inteligente, especialização universal e aprendizado curricular para decompor o espaço de características em subespaços especializados, superando consistentemente os métodos convencionais em condições diversas de ruído.
Este trabalho apresenta o primeiro framework formal para Modelos de Mundo Audiovisuais (AVWM), introduzindo o conjunto de dados AVW-4k e o modelo AV-CDiT para simular dinâmicas ambientais sincronizadas de áudio e vídeo, demonstrando melhorias significativas em tarefas de navegação contínua.
O artigo apresenta o Desafio Grandioso de Microexpressões de 2026 (MEGC2026), que introduz duas novas tarefas de Resposta a Perguntas Visuais (VQA) para vídeos de microexpressões — uma para sequências curtas e outra para vídeos longos — visando explorar as capacidades de raciocínio multimodal de modelos de linguagem e visão avançados na análise de emoções sutis.
O artigo apresenta o VoxEmo, um benchmark abrangente para avaliar Modelos de Linguagem de Áudio em Reconhecimento de Emoções, oferecendo um toolkit padronizado e protocolos de avaliação que capturam a ambiguidade inerente às emoções humanas e demonstram que, embora os modelos zero-shot tenham menor precisão em rótulos rígidos, eles se alinham melhor com as distribuições subjetivas humanas.
Este estudo investiga como a latência afeta a fluidez da interação e a presença social em conferências de realidade virtual, comparando-as com videoconferências tradicionais por meio de experimentos subjetivos que avaliam a percepção de qualidade e a compreensão cognitiva das intenções alheias.
O artigo propõe o TPIFM, um modelo orientado a tarefas que avalia a fluidez da interação perceptiva em colaboração remota com Realidade Aumentada, utilizando a diferença de just-noticeable (JND) específica de cada tarefa para prever como atrasos e interrupções de rede afetam a experiência do usuário.
Este estudo investiga sistematicamente como a latência afeta a Qualidade de Experiência (QoE) em quadros brancos de realidade virtual em rede, classificando-a em aspectos pragmáticos e hedônicos e analisando suas variações entre diferentes modos de colaboração e plataformas (com e sem avatares) em comparação com uma base PC tradicional.
O artigo apresenta o MORE-R1, um modelo inovador que aprimora a extração de relações entre objetos visuais e entidades textuais em Grandes Modelos de Linguagem e Visão (LVLMs) ao integrar um processo de raciocínio passo a passo otimizado por Aprendizado por Reforço, alcançando desempenho superior ao estado da arte no benchmark MORE.
Este estudo propõe e valida um método baseado em modelos de linguagem grandes (LLMs) para gerar expressões multimodais dinâmicas e semanticamente alinhadas em agentes pedagógicos de realidade virtual, demonstrando que tal abordagem melhora significativamente a eficácia percebida, o engajamento e a presença social dos aprendizes, ao mesmo tempo que reduz o cansaço e o tédio.
Este trabalho apresenta o conjunto de dados DynHiL-EQA e o framework DIVRR, uma solução sem treinamento que refina a visão e seleciona memória adaptativamente para melhorar a robustez e a eficiência de agentes de Resposta a Perguntas Corporificadas (EQA) em ambientes dinâmicos e com presença humana.
O artigo apresenta o PiVOT, um novo mecanismo de prompting visual que aproveita um modelo fundacional pré-treinado (CLIP) para gerar e refinar dinamicamente prompts online, permitindo que o rastreador suprima distratores e melhore o desempenho no rastreamento genérico de objetos.
Este artigo apresenta a Tarefa 5 do Desafio DCASE 2025, um benchmark de Resposta a Perguntas sobre Áudio (AQA) que abrange múltiplos domínios acústicos para avaliar e avançar as capacidades de raciocínio de modelos de linguagem-audio em direção à acuidade humana.
O artigo propõe o Q-BAR, um framework híbrido quântico-clássico que utiliza circuitos quânticos variacionais para detectar anomalias semânticas em conteúdo de criadores com poucos dados, superando as limitações de generalização dos métodos clássicos em cenários de escassez de amostras.
O artigo apresenta o Emotion Collider (EC-Net), uma estrutura baseada em hipergrafos e embeddings no espaço hiperbólico que utiliza aprendizado contrastivo e fusão bidirecional para gerar representações de emoção robustas e semanticamente coerentes, demonstrando alta eficácia em benchmarks multimodais mesmo na presença de ruído ou dados parciais.
O artigo apresenta o ModalImmune, um framework de treinamento que garante imunidade a falhas em sistemas multimodais ao colapsar intencionalmente canais de entrada durante o aprendizado, resultando em representações conjuntas robustas e estáveis frente a remoções ou corrupções de modalidades.
O artigo apresenta o TimeSpot, um novo benchmark com 1.455 imagens reais de 80 países para avaliar a capacidade de modelos de visão e linguagem de inferir atributos geográficos e temporais, revelando que os modelos atuais têm desempenho insuficiente nessa tarefa e destacando a necessidade de novos métodos para um entendimento geo-temporal robusto.
O artigo apresenta o CONSTANT, um modelo de difusão inovador para geração de escrita manuscrita em uma única amostra que utiliza Quantização Consciente de Estilo e Aprendizado Contrastivo de Patch para superar as limitações existentes na captura de características complexas e diversas da caligrafia humana.
Este artigo apresenta um framework em cascata de dois estágios que gera vídeos complexos de movimentos humanos a partir de descrições textuais, combinando um modelo autoregressivo texto-para-esqueleto para criar sequências de poses e um modelo de difusão vídeo-para-poses com codificador de referência adaptativo, apoiado por um novo conjunto de dados sintético para superar as limitações atuais no controle temporal e na preservação de aparência.