6125 artigos
O artigo apresenta o GLASS, um framework não supervisionado que combina análise espectral geométrica com priores semânticos de modelos visão-linguagem para estabelecer correspondências densas e semanticamente consistentes entre formas 3D, superando significativamente os métodos existentes em cenários de deformações não isométricas e interclasses.
Este artigo propõe o framework de Inferência Auto-Crítica (SCI), que utiliza raciocínio contrafactual multimodal escalável para mitigar viés e sensibilidade linguística em Modelos Visuais-Linguísticos, além de introduzir o DRBench, uma avaliação dinâmica específica para cada modelo que supera as limitações dos benchmarks fixos.
O artigo apresenta o Holi-Spatial, o primeiro conjunto de dados multimodal espacialmente consciente em grande escala, construído totalmente de forma automatizada a partir de vídeos brutos sem intervenção humana, que oferece anotações semânticas e geométricas de alta qualidade para superar as limitações de escalabilidade e viés de domínio dos métodos existentes e aprimorar significativamente o raciocínio espacial de modelos de visão e linguagem.
O artigo apresenta o DAISS, um sistema cirúrgico teleoperado de dois braços que utiliza aprendizado por imitação sensível a fases e feedback de ultrassom em tempo real para automatizar com precisão procedimentos de intervenção guiada por imagem, como a inserção de agulhas, reduzindo a carga cognitiva e replicando estratégias de especialistas a partir de demonstrações limitadas.
O artigo apresenta o Ref-DGS, um novo framework de "Dual Gaussian Splatting" que resolve o desafio da reconstrução de superfícies com reflexos especulares próximos e distantes, decoplando a geometria das reflexões em uma representação dual e utilizando um shader adaptativo para alcançar resultados de ponta com treinamento significativamente mais rápido do que métodos baseados em rastreamento de raios.
O artigo apresenta o FusionRegister, um método geral e eficiente que utiliza priores visuais para realizar o registro cruzado entre imagens infravermelhas e visíveis diretamente no resultado da fusão, garantindo robustez, alinhamento detalhado e compatibilidade com diversas técnicas de fusão existentes.
Este estudo investiga como a ofuscação de código afeta a compreensão humana em Python e JavaScript, revelando que, embora a ofuscação geralmente aumente o tempo de análise e reduza a precisão, a relação não é estritamente monotônica e varia conforme a linguagem, com a experiência do programador influenciando principalmente a familiaridade com a sintaxe específica e não a capacidade geral de programação.
Este artigo de revisão oferece uma visão estruturada sobre os mecanismos, avaliações e fronteiras emergentes da memória em agentes autônomos baseados em LLMs, propondo uma taxonomia tridimensional, analisando cinco famílias de mecanismos e destacando desafios críticos para a adaptação contínua desses sistemas.
Este artigo apresenta um framework de teleoperação de baixo custo e código aberto para manipuladores móveis bimanuais, que utiliza hardware comum como smartphones e pedais para permitir um controle intuitivo de todo o corpo, eliminando a necessidade de equipamentos especializados caros e demonstrando melhor desempenho e menor carga cognitiva em comparação com controles baseados em teclado.
Este artigo apresenta dois novos frameworks evolutivos baseados em modelos, denominados NEMO-DE e NEEF-DE, que realizam a localização de múltiplas fontes no campo próximo utilizando diretamente o modelo de onda esférica contínua, eliminando a necessidade de grades discretizadas, dados rotulados ou restrições de arquitetura de rede.
O artigo apresenta o UniUncer, um framework unificado e leve que melhora a confiabilidade da direção de ponta a ponta ao estimar e integrar incertezas tanto de elementos estáticos quanto dinâmicos, resultando em ganhos significativos de precisão e desempenho em cenários desafiadores.
O artigo apresenta o FrameVGGT, um framework de memória explícita orientado a quadros que supera as limitações de crescimento ilimitado de cache em transformadores de geometria visual de streaming, substituindo a retenção de tokens individuais por blocos de evidência coesos para manter uma precisão geométrica estável sob orçamentos de memória fixos.
O artigo apresenta o RoboPCA, um framework de aprendizado de affordance centrado na pose que prevê conjuntamente regiões de contato e poses adequadas para manipulação robótica, utilizando o pipeline Human2Afford para gerar automaticamente anotações a partir de demonstrações humanas e demonstrando superioridade em relação a métodos existentes em diversos cenários.
Este artigo apresenta o CDA-VSR, uma rede de super-resolução de vídeo online que utiliza informações do domínio comprimido, como vetores de movimento e mapas de resíduos, para alcançar uma melhoria significativa na velocidade de inferência e na qualidade de reconstrução em comparação com métodos existentes.
O artigo apresenta o MMDM, um modelo de difusão baseado em autoencoder que utiliza o mecanismo de Agregação de Atenção Cinemática para aprender priores de movimento adaptativos ao contexto, permitindo a reconstrução robusta e eficiente de dados de movimento incompletos ou ruidosos em tarefas como refinamento, preenchimento e interpolação.
O artigo apresenta o C-Explorer, um framework descentralizado para exploração multi-UAV que supera limitações de comunicação e alocação não contígua ao utilizar representações de tarefas baseadas em conectividade e uma formulação de alocação orientada à contiguidade, resultando em reduções significativas no tempo de exploração e na distância percorrida.
O artigo apresenta o TDM-R1, uma nova abordagem de aprendizado por reforço que permite otimizar modelos generativos de poucos passos com recompensas não diferenciáveis, superando os métodos existentes e alcançando desempenho de ponta em diversas tarefas de geração de imagens.
O artigo apresenta o PARSE, um framework que modela relações espaciais em nível de partes de objetos através de um grafo de montagem centrado em partes (PAG), permitindo a geração de cenas 3D fisicamente consistentes e melhorando o raciocínio espacial de modelos de visão-linguagem por meio do dataset PARSE-10K.
O artigo apresenta o VoiceSHIELD-Small, um modelo leve e em tempo real baseado no Whisper-small que integra a transcrição de fala e a detecção de comandos maliciosos em uma única etapa, alcançando alta precisão e baixa latência para mitigar riscos de segurança em interfaces de voz.
O artigo apresenta o YAQIN, uma aplicação de IA co-desenhada que oferece suporte de saúde mental culturalmente sensível e alinhado à fé para mulheres muçulmanas no Reino Unido, preenchendo lacunas de confiança e acessibilidade através de um chatbot e diário guiado baseados na psicologia islâmica.