5302 artigos
O artigo apresenta o S²Q-VDiT, um framework de quantização pós-treinamento para transformadores de difusão de vídeo que utiliza seleção de dados salientes e destilação de tokens esparsos para alcançar desempenho sem perdas, compressão de 3,9 vezes e aceleração de 1,3 vezes sob quantização W4A6.
O artigo apresenta o SPEX, o primeiro modelo de linguagem visual multimodal dedicado à extração de cobertura do solo em imagens de sensoriamento remoto espectrais, que supera os métodos existentes ao utilizar um novo conjunto de dados instrucional (SPIE) e estratégias de treinamento específicas para explorar eficazmente informações espectrais e gerar explicações textuais.
Este trabalho apresenta a primeira avaliação de métodos de 3D Gaussian Splatting em imagens de olho de peixe com campo de visão superior a 180°, demonstrando que a reconstrução atinge seu melhor desempenho em 160° e introduzindo uma inicialização baseada em profundidade com UniK3D que supera os desafios de geometria em cenas com distorção extrema, neblina ou céu aberto.
Este artigo apresenta a validação experimental, utilizando rádios definidos por software, da comunicação coverta em radiofrequência com segurança comprovada, confirmando as previsões teóricas sobre a Lei da Raiz Quadrada e abrindo novas vias para a implementação prática desses sistemas.
Este artigo apresenta uma estrutura unificada e semanticamente fundamentada para adaptação de domínio em segmentação de imagens médicas, que aprende um manifold probabilístico agnóstico ao domínio para capturar regularidades anatômicas, permitindo adaptação eficaz tanto em cenários com acesso à fonte quanto sem ela, alcançando resultados state-of-the-art em conjuntos de dados cardíacos e abdominais.
O artigo apresenta o Video-EM, um framework sem treinamento que melhora a compreensão de vídeos longos ao transformar a tarefa de resposta a perguntas em uma construção episódica centrada em eventos, utilizando um agente de memória baseado em LLM para organizar, refinar e consolidar evidências temporais coerentes em uma linha do tempo compacta e confiável.
O artigo apresenta o UniUGG, o primeiro framework unificado para compreensão e geração de modalidades 3D, que integra um LLM, um decodificador espacial baseado em difusão latente e uma estratégia de aprendizado geométrico-semântico para realizar tarefas avançadas de geração de cenas 3D e perguntas visuais espaciais.
O UniCast é um framework multimodal eficiente em parâmetros que aprimora os modelos fundamentais de séries temporais através de prompts condicionados à instância e roteamento dinâmico de modalidades, permitindo previsões adaptativas que superam os métodos existentes ao integrar contextos de séries temporais, visão e texto.
O artigo apresenta o PhysGM, um modelo feed-forward que, utilizando o conjunto de dados PhysAssets e otimização por preferência direta (DPO), gera simulações 4D físicas de alta fidelidade a partir de uma única imagem em apenas um minuto, superando as limitações de métodos anteriores que dependem de otimização lenta e por cena.
Este artigo apresenta um framework de estimativa de pose humana 3D baseado em difusão que utiliza uma estratégia de Poda Temporal Hierárquica (HTP) para reduzir drasticamente o custo computacional e acelerar a inferência, mantendo desempenho de ponta ao eliminar dinamicamente tokens de pose redundantes em níveis de quadro e semântico.
O artigo apresenta o PointSlice, um novo método de representação baseado em fatias que converte nuvens de pontos 3D em dados 2D e utiliza uma Rede de Interação de Fatias (SIN) para alcançar um equilíbrio superior entre precisão e eficiência na detecção de objetos 3D, superando as abordagens tradicionais baseadas em voxels e pilares em velocidade e número de parâmetros com perda mínima de acurácia.
O artigo apresenta o AmphiKey, um protocolo híbrido pós-quântico e clássico para redes inteligentes que oferece dois modos operacionais distintos — um autenticado com não-repúdio e outro com autenticação negável —, garantindo segurança robusta e desempenho eficiente em dispositivos heterogêneos, desde servidores potentes até clientes com recursos limitados.
Este artigo propõe o MDM-MixMFL, um novo paradigma de aprendizado federado que utiliza estratégias de desacoplamento e memorização de modalidades para realizar segmentação de imagens de ressonância magnética em cenários médicos descentralizados com heterogeneidade de dados e modalidades.
O artigo apresenta o UltraUPConvNet, uma rede neural multi-tarefa eficiente e baseada em UPerNet e ConvNeXt que realiza simultaneamente a segmentação de tecidos e a previsão de doenças em imagens de ultrassom, alcançando desempenho de ponta com menor custo computacional.
O artigo apresenta o Traffic-MLLM, um framework de raciocínio multimodal para cenários de trânsito que substitui a recuperação explícita de casos por uma modelagem neural estruturada e regularizada por curiosidade, demonstrando superioridade em benchmarks como SUTD-TrafficQA e DriveQA ao aprender um espaço de casos generalizável diretamente durante o treinamento.
O artigo apresenta o ActivePose, um pipeline de estimativa ativa de pose 6D que integra Modelos de Linguagem e Visão (VLM) com "imaginação robótica" e um módulo de rastreamento baseado em difusão para detectar e resolver ambiguidades em tempo real, garantindo visibilidade e precisão na manipulação robótica.
Inspirados pelo peixe-pulmonado, os pesquisadores desenvolveram um robô que utiliza a oscilação ativa da cauda para fluidificar o substrato granular, aumentando a velocidade de locomoção em 67% e reduzindo o arrasto corporal em 46%, estabelecendo princípios de design para robôs operarem em terrenos deformáveis.
O artigo apresenta o SAGA, um mecanismo de atenção linear que utiliza portas adaptativas seletivas e uma decomposição eficiente para superar as limitações de baixa expressividade e redundância de métodos existentes, alcançando simultaneamente maior eficiência computacional e ganhos significativos de precisão em tarefas de visão computacional.
Este artigo apresenta a Cumulative Consensus Score (CCS), uma métrica de avaliação sem rótulos e agnóstica a modelos que utiliza consistência espacial em dados aumentados para monitorar a confiabilidade de detectores de objetos em cenários de implantação real, demonstrando alta concordância com métricas tradicionais baseadas em ground-truth.
Este artigo apresenta o WHU-STree, um novo conjunto de dados de referência multimodal e rico em anotações, coletado em duas cidades distintas com nuvens de pontos e imagens de alta resolução, projetado para superar as limitações dos métodos tradicionais e facilitar a automatização de inventários urbanos de árvores através da fusão de dados e aprendizado de modelos para diversas tarefas de gestão de ativos.