6846 artigos
O Speed3R é um modelo de reconstrução 3D feed-forward eficiente que supera os gargalos computacionais de atenção densa ao empregar um mecanismo de atenção de dois ramos focado em tokens informativos, alcançando um aumento de velocidade de 12,4x em sequências de 1000 vistas com uma perda mínima de precisão geométrica.
Este artigo apresenta o "See & Switch", um quadro interativo de ensino e execução para robôs que utiliza percepção visual baseada em câmeras olho-na-mão para selecionar automaticamente ramificações em tarefas condicionais e detectar contextos anômalos, permitindo uma programação por demonstração escalável e independente do modo de entrada, conforme validado em tarefas de manipulação e estudos com usuários.
O artigo apresenta o ImageEdit-R1, um framework multiagente que utiliza aprendizado por reforço para coordenar agentes especializados em visão e linguagem, superando as limitações de modelos existentes ao tratar a edição de imagem como um problema de tomada de decisão sequencial para executar instruções complexas e contextuais com maior precisão.
O artigo apresenta o CinemaWorld, um sistema de realidade aumentada generativa que utiliza modelos de linguagem grandes e inteligência artificial para transformar cenas de filmes 2D em conteúdo 3D dinâmico e sincronizado no ambiente físico do usuário, demonstrando através de estudos que essa tecnologia aumenta a imersão e o prazer na experiência cinematográfica.
Este artigo apresenta uma nova arquitetura de classificação plug-and-play que utiliza um Modelo de Visão e Linguagem de Grande Escala (LVLM) para realizar modelagem relacional conjunta entre imagens de drones e satélites, aprimorando significativamente a precisão da geolocalização por meio de uma função de perda relacional inovadora que fornece supervisão granular.
Este trabalho propõe novas métricas de avaliação para modelos generativos baseadas em distribuições de tokens visuais discretos, introduzindo o CHD e o CMMS, e apresenta o benchmark VisForm para demonstrar que essas abordagens superam os métodos tradicionais em correlação com julgamentos humanos.
O artigo propõe o Aprendizado por Reforço em Contexto (ICRL), uma abordagem que elimina a necessidade de ajuste fino supervisionado (SFT) ao utilizar exemplos em contexto durante o treinamento por reforço para ensinar modelos de linguagem a usar ferramentas externas, alcançando desempenho superior de forma escalável e eficiente em dados.
Este artigo propõe um método prático e sem treinamento para gerar imagens sintéticas de defeitos em isoladores de linhas de energia utilizando modelos de linguagem multimodal, demonstrando que essa abordagem de aumento de dados melhora significativamente a precisão na classificação de defeitos em cenários com escassez de dados reais.
O artigo determina que, para qualquer arranjo de linhas em posição geral, o número mínimo de pedras necessário para que Alice garanta a vitória no jogo de equilíbrio geométrico é e pode ser calculado em tempo polinomial.
O artigo TALON propõe um framework de aprendizado adaptativo em tempo de teste para descoberta de categorias sob demanda, que supera as limitações de métodos baseados em hash ao atualizar dinamicamente protótipos semânticos e o codificador, evitando a fragmentação de classes e melhorando significativamente a precisão na identificação de novas categorias.
O artigo argumenta que, embora os Sistemas de Julgamento de Relevância Baseados em LLM (LLM-RJS) tenham o potencial de superar as limitações de "visão curta" dos sistemas de recuperação por similaridade de embeddings ao utilizar raciocínio, essa superioridade não pode ser validada em conjuntos de dados padrão, pois as próprias anotações humanas de relevância compartilham as mesmas limitações.
Este artigo apresenta um método de Controle Preditivo Modelado (MPC) aumentado que equilibra a agilidade de satélites de observação terrestre com a complexidade computacional, combinando o alto desempenho do MPC não linear com a simplicidade do MPC linear, conforme validado por simulações e experimentos físicos.
Este artigo apresenta o M-ABD, um novo framework que utiliza a dinâmica de corpos afins e um mapeamento para um espaço dual compacto para simular de forma eficiente, estável e interativa grandes assembleias articuladas com milhares de corpos em um único núcleo de CPU, superando as limitações de rigidez numérica e complexidade geométrica dos métodos convencionais.
O artigo apresenta o MRDrive, um simulador de condução de realidade mista de código aberto que combina um habitáculo de veículo real com um ambiente virtual imersivo para facilitar a pesquisa em HCI sobre interação, atenção e explicabilidade na condução manual e automatizada.
Este artigo define a intimidade humano-IA com base em entrevistas com usuários de companheiros românticos virtuais, introduzindo o conceito de "Efeito Amplificador da IA", no qual a inteligência artificial intensifica o estado emocional pré-existente do usuário, e propõe diretrizes para equilibrar a autonomia do usuário com a regulação de plataformas no design desses sistemas.
Este artigo propõe uma transição da inteligência artificial reativa para uma baseada em mapas, utilizando um modelo Llama-2 ajustado via LoRA para inferir zonas semânticas e integrar essas informações a um sistema de mapeamento híbrido, resultando em uma navegação a objetivos mais eficiente e com menor exploração redundante em ambientes desconhecidos.
Este artigo propõe um novo esquema de controle adaptativo baseado em visão para robôs redundantes que combina uma ação em espaço de tarefas com interação no espaço nulo, permitindo colaboração segura e eficaz com humanos em ambientes desconhecidos sem calibração prévia, com estabilidade garantida e validada experimentalmente por meio de realidade aumentada.
O artigo apresenta o DSH-Bench, um novo benchmark abrangente para geração de imagens de texto orientada a sujeitos que supera as limitações existentes através de uma taxonomia hierárquica, uma avaliação granular de dificuldade e cenários, e uma nova métrica de consistência de identidade, oferecendo insights diagnósticos cruciais para o aprimoramento de modelos.
O TrianguLang é um novo framework de inferência direta para localização 3D guiada por texto que alcança estado da arte em precisão e consistência geométrica sem exigir calibração de câmera ou otimização por cena, permitindo aplicações práticas em robótica e realidade aumentada.
O artigo apresenta o PathBench, um benchmark unificado para avaliação automática da inteligibilidade da fala patológica que utiliza conjuntos de dados públicos para comparar diferentes métodos e estabelecer baselines sistemáticas, introduzindo também a métrica DArtP que alcança a maior correlação média entre os métodos sem referência.