5635 artigos
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.
Este artigo apresenta um quadro de aprendizagem por reforço assíncrono com um Módulo de Codificação Temporal que desacopla a percepção do controlo, permitindo que veículos aéreos autónomos naveguem de forma ágil e robusta em ambientes complexos a 100 Hz, superando as limitações de latência e transferindo-se com sucesso da simulação para a realidade.
O artigo apresenta o GeoAware-VLA, uma abordagem que integra prios geométricos fortes através de um modelo de visão pré-treinado e congelado para melhorar a invariância a pontos de vista em modelos de Visão-Linguagem-Ação, resultando em ganhos significativos de generalização zero-shot em benchmarks de simulação e no mundo real sem a necessidade de dados 3D explícitos.
Este estudo apresenta o OIPP, um preditor de ponto de impacto adaptativo a objetos que, utilizando um novo conjunto de dados diversificado com 8.000 trajetórias, supera os métodos existentes na previsão precisa de pontos de aterrissagem para objetos em voo com aerodinâmica complexa, permitindo a captura bem-sucedida por um robô quadrúpede tanto em simulação quanto em experimentos reais.
Este artigo apresenta o LibriTTS-VI, o primeiro corpus público para controle de impressão vocal, e propõe métodos inovadores de treinamento desentrelaçado e sem referência que superam o vazamento de impressão e permitem um controle numérico preciso e eficiente na síntese de fala.
Este artigo apresenta o "Compose by Focus", um framework que utiliza representações de grafos de cena para aprender habilidades atômicas robustas e combiná-las com um planejador baseado em modelos de linguagem e visão, permitindo que robôs generalistas executem tarefas complexas de longo horizonte com maior sucesso e generalização composicional.
O artigo apresenta o DroFiT, uma rede leve de aprimoramento de fala projetada para drones que utiliza atenção de frequência fundida e uma arquitetura híbrida para eliminar ruído severo em tempo real em plataformas com recursos limitados.
Este artigo apresenta um sistema inovador de navegação visual "teach-and-repeat" baseado em câmeras de eventos que utiliza correlação cruzada no domínio da frequência para alcançar uma latência de processamento extremamente baixa (2,88 ms) e manter erros de trajetória inferiores a 15 cm em diversos cenários diurnos e noturnos.
Este trabalho demonstra que os benchmarks atuais de compreensão de vídeo negligenciam a importância da audição ao serem resolvidos majoritariamente por pistas visuais, mas confirma que a integração de codificadores de fala em modelos de linguagem multimodais traz ganhos significativos em tarefas que exigem compreensão de áudio e alinhamento cruzado, propondo uma arquitetura escalável e de código aberto para remediar essa lacuna.