6073 artigos
O artigo apresenta o VirtueBench, um novo benchmark projetado para avaliar a confiabilidade de Modelos Visão-Linguagem em vídeos longos ao distinguir entre casos respondíveis e não respondíveis, revelando que a maioria dos modelos atuais tende a adivinhar em vez de recusar respostas honestamente sob incerteza.
O artigo apresenta o PhyVLM-CR, uma abordagem inovadora que integra as capacidades semânticas de um Modelo Visão-Linguagem (VLM) a um modelo de restauração física para realizar a remoção unificada e de alta fidelidade de nuvens finas e espessas em imagens de sensoriamento remoto, eliminando a necessidade de decisões explícitas sobre o tipo de nuvem e garantindo resultados coerentes e livres de alucinações.
Este artigo apresenta o PSG-UIENet, uma rede de aprimoramento de imagens subaquáticas que integra correção de iluminação baseada em Retinex com orientações semânticas de linguagem, acompanhada pela criação do primeiro conjunto de dados multimodais (LUIQD-TD) e de uma função de perda específica para garantir consistência semântica entre texto e imagem.
Este trabalho propõe uma nova estratégia de seleção de camadas visíveis para EEG e um framework de fusão hierarquicamente complementar que alinham sinais cerebrais com representações visuais intermediárias, alcançando desempenho state-of-the-art na decodificação visual zero-shot ao mitigar o desajuste de informações entre modalidades.
O artigo propõe o Multi-TAP, um modelo de recomendação cruzada que supera métodos existentes ao capturar a heterogeneidade intra-domínio através de personas semânticas adaptativas e transferir seletivamente conhecimento entre domínios, resultando em desempenho superior em conjuntos de dados reais.
O artigo apresenta o mAVE, um novo framework de marca d'água projetado nativamente para modelos de geração áudio-visual conjunta que, ao criptograficamente vincular os latentes de áudio e vídeo, elimina a vulnerabilidade de ataques de troca e protege a reputação e os direitos autorais dos fornecedores com integridade de ligação superior a 99%.
Este estudo estabelece um quadro de avaliação multidimensional para modelos de linguagem pequenos (SLMs) na arquitetura de software, revelando que modelos acima de 3B parâmetros possuem capacidades robustas em zero-shot, enquanto os menores beneficiam-se mais do ajuste fino, e que a alta diversidade semântica em modelos prontos muitas vezes indica alucinação em vez de exploração produtiva.
Este artigo propõe um método de geração de expressões faciais para interação diádica natural que alinha as respostas do ouvinte às preferências humanas, utilizando um modelo de visão-linguagem-ação e aprendizado por reforço com feedback humano para garantir a adequação emocional e contextual.
Este artigo investiga jogos em grafos concorrentes com n jogadores cooperativos que utilizam randomização distribuída (sem fonte de aleatoriedade compartilhada), demonstrando que estratégias sem memória são suficientes para o problema de limiar (NP-difícil e em ) e que o problema de quase-certeza é NP-completo, além de propor a lógica IRATL e um solver prático para essas questões.
Este artigo propõe um framework de controle preditivo baseado em modelo distribuído (DMPC) utilizando o método ADMM para permitir o transporte colaborativo de cargas pesadas por equipes de robôs quadrúpedes com manipuladores, decompondo o problema global em subproblemas paralelos que garantem escalabilidade, desempenho em tempo real e robustez em ambientes complexos.
Este artigo propõe um framework escalável de Processos Gaussianos Variacionais para previsão probabilística de movimento humano em colaboração homem-robô, que alcança alta precisão com incertezas bem calibradas e um número reduzido de parâmetros, permitindo implementação em tempo real.
O artigo NuNext reformula a detecção de núcleos em histopatologia como uma tarefa de previsão do próximo ponto, utilizando um modelo de linguagem multimodal grande com treinamento em duas etapas (supervisão suave e ajuste fino por reforço) para gerar diretamente os centróides dos núcleos e superar os desequilíbrios e complexidades das abordagens existentes.
Este artigo investiga a capacidade de modelos de linguagem grandes (LLMs) de sintetizar código C# executável no Unity, partindo de Padrões Jogáveis de Objetivo (GPCs), demonstrando que, embora os modelos possam gerar código, a síntese escalável é limitada principalmente por falhas de "grounding" estrutural e de projeto ao tentar atender simultaneamente às restrições sintéticas do motor e ao significado semântico dos padrões de jogo.
O artigo apresenta o AutoUE, um sistema multiagente inovador que automatiza a geração integral de jogos 3D no Unreal Engine, integrando recuperação de modelos, criação de cenas, síntese de código e testes automatizados para superar desafios como alucinações de ferramentas e garantir a robustez do resultado final.
O artigo propõe o framework PSAD, que combina geração semi-autoregressiva, conhecimento de um modelo professor e uma Rede de Perfil de Usuário para superar os desafios de latência e interação usuário-item no reranking personalizado, superando os métodos atuais em desempenho e eficiência.
O artigo apresenta o ConservationBench, um benchmark que revela que os Modelos de Linguagem e Visão (VLMs) atuais falham sistematicamente ao raciocinar sobre transformações físicas e não conseguem manter representações invariantes de propriedades físicas em cenas dinâmicas, dependendo excessivamente de priores textuais em vez de compreensão visual genuína.
O artigo propõe a técnica FEMA (Failure Episodic Memory Alert), que utiliza uma memória episódica para armazenar e recuperar experiências de falhas, evitando que robôs caiam repetidamente em estados instáveis e melhorando significativamente a eficiência amostral e a exploração de trajetórias de longo prazo em tarefas de aprendizado por reforço.
O artigo apresenta a S-PCL, um framework de aprendizado auto-supervisionado eficiente para radiografias de tórax que, ao particionar semanticamente os tokens de imagem sem depender de aumentos agressivos ou decodificadores auxiliares, alcança desempenho competitivo com menor custo computacional em diversos benchmarks médicos.
O artigo apresenta o aCAPTCHA, um protocolo de verificação de segurança que utiliza a assimetria de dificuldade temporal entre a cognição humana e o processamento de IA para distinguir e admitir apenas agentes autônomos capazes através de um jogo de verificação baseado em compreensão de linguagem natural sob restrições de tempo.
O artigo apresenta o TIQA, uma nova tarefa e conjunto de dados para avaliação da qualidade de texto em imagens geradas, juntamente com o método leve ANTIQA, que supera métricas existentes ao alinhar-se melhor aos julgamentos humanos e demonstrar valor prático na filtragem e reclassificação de gerações de modelos de texto-para-imagem.