50 artigos
Este estudo apresenta um método inovador baseado em espectrogramas e redes neurais convolucionais que supera as técnicas tradicionais de coeficientes cepstrais de frequência mel (MFCC) na classificação multilabel de sons ambientais complexos do sul da Ásia, demonstrando maior precisão tanto no conjunto de dados SAS-KIIT quanto no UrbanSound8K.
Este trabalho apresenta e avalia um sistema de streaming de nuvens de pontos dinâmicas que utiliza transcodificação sob demanda, demonstrando empiricamente que o uso de cache e transcodificação especulativa reduz significativamente a carga de processamento e melhora a experiência do usuário, permitindo a escalabilidade para um maior número de clientes simultâneos.
Este artigo apresenta o framework de Incerteza Relativística de Dados (DRU), uma abordagem inovadora que utiliza informações de incerteza para aprimorar a qualidade de imagens de paisagens anime em baixa luminosidade, superando os métodos atuais ao preencher a lacuna de domínio e mitigar a escassez de dados.
O artigo apresenta o V-Skip, um método que otimiza a compressão de tokens em modelos multimodais através de uma ancoragem visual dual, resolvendo o problema de "amnésia visual" para acelerar o raciocínio sem sacrificar a precisão.
O artigo propõe o GOT-JEPA, um framework de pré-treinamento que adapta a arquitetura JEPA para prever modelos de rastreamento em vez de apenas características visuais, combinando-o com o módulo OccuSolver para melhorar a percepção de oclusão e a generalização em ambientes dinâmicos.
O artigo propõe a AMB-DSGDN, uma rede neural que utiliza grafos semânticos dinâmicos específicos para cada modalidade e um mecanismo de atenção diferencial para filtrar ruídos e equilibrar adaptativamente a contribuição dos sinais de texto, áudio e vídeo, melhorando assim o reconhecimento de emoções em diálogos multimodais.
O artigo apresenta o PRoADS, um esquema de esteganografia em áudio baseado em modelos de difusão que utiliza projeção de matriz ortogonal, otimização de latente e inversão de Euler reversa para garantir segurança e uma robustez excepcional, alcançando uma taxa de erro de bits de apenas 0,15% sob compressão MP3.
O artigo apresenta o G-STAR, um sistema de ponta a ponta que integra um módulo de rastreamento de falantes temporalmente consciente com um modelo de linguagem de fala (Speech-LLM) para realizar reconhecimento de fala atribuído a falantes com carimbo de tempo em conversas longas e sobrepostas, garantindo consistência de identidade em nível de reunião.
O artigo apresenta o P-GSVC, um novo framework de splatting gaussiano 2D progressivo e em camadas que oferece uma solução unificada para reconstrução escalável de imagens e vídeos, utilizando uma estratégia de treinamento conjunto que supera métodos sequenciais ao garantir compatibilidade entre camadas e melhorar significativamente a qualidade da reconstrução.
O artigo propõe as "Rastros de Atividade de Leitura" (RATs), uma abordagem que trata a leitura como uma atividade criativa por si só e para futuros artefatos, tornando visível o trabalho interpretativo que está sendo automatizado e comprimido por feeds algorítmicos e resumos de IA, ilustrado através de uma instância especulativa na Wikipedia chamada WikiRAT.
O artigo apresenta o V2M-Zero, um método inovador de geração de música sincronizada com vídeos que, ao alinhar as curvas de eventos temporais de cada modalidade de forma independente, alcança resultados superiores aos modelos baseados em dados pareados sem exigir treinamento cruzado ou pares de dados.
Este artigo propõe um novo sistema de detecção de alucinações visuais estruturais em imagens de personagens de desenho animado geradas por modelos Texto-para-Imagem, utilizando um Modelo Visão-Linguagem aprimorado por aprendizado em contexto com orientação de pose (PA-ICVL), que demonstra melhorias significativas de desempenho em comparação com métodos baseados apenas em imagens RGB.
Este artigo apresenta um conjunto de testes baseados em medições psicofísicas da visão de baixo nível para avaliar a capacidade de métricas de qualidade de imagem e vídeo em capturar aspectos fundamentais da percepção humana, revelando limitações e comportamentos específicos de 34 métricas existentes que não são facilmente observados em protocolos de avaliação padrão.
Este trabalho propõe um framework end-to-end para reconhecimento de fala audiovisual robusto que elimina a necessidade de máscaras de ruído explícitas, utilizando um módulo de fusão baseado em Conformer para refinar implicitamente as características de áudio com auxílio visual, preservando assim a integridade semântica da fala e superando métodos baseados em máscaras em condições ruidosas.
O artigo apresenta o Omni-C, um único codificador denso baseado em Transformer que comprime modalidades heterogêneas (imagem, áudio e texto) em representações compartilhadas competitivas através de pré-treinamento contrastivo, eliminando a necessidade de arquiteturas complexas de Mixture-of-Experts e reduzindo significativamente o uso de memória para inferência eficiente.
O artigo apresenta o VDCook, um sistema operacional de dados de vídeo autoevolutivo e configurável que permite a pesquisadores e equipes de domínio vertical gerar, atualizar e expandir continuamente conjuntos de dados especializados para MLLMs por meio de consultas em linguagem natural e síntese controlada.
Este artigo examina os desafios e oportunidades impostos pela rápida evolução da IA na interação humano-dados, destacando a necessidade de redefinir os papéis humanos e de máquina, superar limitações de escalabilidade e incerteza, e integrar princípios cognitivos e de design para construir sistemas analíticos centrados no ser humano na era da inteligência artificial.
O artigo apresenta o Alkaid, um esquema de esteganografia provadamente segura que utiliza codificação com restrição de distância para garantir a recuperação robusta de mensagens mesmo na presença de erros de edição, superando os métodos atuais em resiliência, capacidade e eficiência.
O artigo apresenta o SGMD, um modelo de difusão de movimento guiado por estilo que integra características musicais e prompts de estilo para gerar sequências de dança realistas e controláveis, superando as limitações de alinhamento estilístico e flexibilidade existentes em abordagens anteriores.
O artigo apresenta o altiro3D, uma biblioteca gratuita que gera experiências 3D realistas e síntese de novas visualizações a partir de uma única imagem ou vídeo plano, utilizando estimativa de profundidade, técnicas de inpainting e um algoritmo rápido para projeção 3D, permitindo a exibição em telas LCD de visão livre.