3496 artigos
O artigo apresenta o InternVL-U, um modelo unificado multimodal leve de 4 bilhões de parâmetros que democratiza capacidades de compreensão, raciocínio, geração e edição, superando modelos maiores como o BAGEL (14B) em tarefas de geração e edição graças a uma arquitetura modular e um pipeline de dados focado em raciocínio.
O artigo apresenta o DISPLAY, um framework inovador para geração de vídeos de interação humano-objeto que utiliza coordenadas esparsas de pulsos e caixas delimitadoras de objetos para garantir controle intuitivo e consistência física, aprimorado por mecanismos de atenção focados no objeto e uma estratégia de treinamento auxiliar multi-tarefa.
Este artigo apresenta um estudo comparativo de cinco abordagens de localização cooperativa em ambientes sem características, revelando que, embora métodos como StCL e Standard-CL ofereçam alta precisão, eles sofrem de inconsistência, enquanto a Interseção de Covariância (CI) se destaca como a solução mais equilibrada, combinando consistência robusta com precisão competitiva.
O segundo track de Geração Aumentada por Recuperação (RAG) do TREC 2025 avança a pesquisa em sistemas que integram recuperação e geração para atender a necessidades informacionais complexas, introduzindo consultas narrativas longas e um quadro de avaliação multifacetado para fomentar a criação de sistemas confiáveis e contextualmente conscientes.
O artigo apresenta o CourtSI, o primeiro grande conjunto de dados e benchmark para avaliar a inteligência espacial de modelos de linguagem e visão em cenários esportivos, demonstrando que o ajuste fino com esses dados supera significativamente as lacunas de desempenho atuais e melhora a capacidade de raciocínio espacial e geração de comentários em esportes de rede.
Este artigo demonstra, por meio de modelagem teórica e simulação, que o protocolo MAC 802.11 DCF pode levar nós não cooperativos a equilíbrios de Nash ineficientes, mas propõe que um protocolo ideal que desacople a alocação do canal das estratégias de transmissão pode resultar em equilíbrios com maior throughput para todos os nós.
Este artigo define o problema de classificação de funções em redes empresariais e apresenta dois algoritmos práticos que agrupam hosts com base em padrões de conexão, demonstrando sua eficácia em reduzir drasticamente a complexidade de gerenciamento e refletir a estrutura lógica da rede.
O artigo apresenta o WikiCLIP, um framework contrastivo eficiente que supera métodos generativos em reconhecimento visual de entidades de domínio aberto ao utilizar embeddings de modelos de linguagem com um adaptador guiado por visão e um mecanismo de síntese de negativos difíceis, alcançando ganhos significativos de desempenho e reduzindo a latência de inferência em até 100 vezes.
Este artigo demonstra que a otimização direta da distância de Chamfer em formas 3D falha estruturalmente devido a um colapso de gradientes local, e propõe que a introdução de acoplamento não local, como deformação de base compartilhada ou um prior MPM diferenciável, é necessária para suprimir esse colapso e melhorar significativamente os resultados.
Este artigo demonstra que a adoção de escritas fora do local (out-of-place) é essencial para maximizar o desempenho e a vida útil de SSDs em sistemas de banco de dados, propondo otimizações que reduzem significativamente a amplificação de escrita e melhoram a taxa de transferência em benchmarks OLTP.
Este artigo propõe um método de recuperação de movimento baseado em ângulos articulares que transforma características locais em pseudo-imagens e utiliza interação tardia token-patch para superar as limitações de métodos globais, alcançando resultados superiores e maior interpretabilidade nas tarefas de recuperação texto-movimento.
Este artigo propõe um novo framework de adaptação de domínio não supervisionada baseado na Discrepância de Desigualdade de Margem (MDD) para melhorar a segmentação do fígado em imagens de CBCT intervencionista, utilizando dados anotados de TC e dados não anotados de CBCT para superar a escassez de anotações específicas desse modo de imagem.
Este artigo propõe uma abordagem fundamentada na geometria do espaço de hipersféricas para o descarte de tokens em modelos de recuperação de interação tardia, formulando o problema como uma estimativa de células de Voronoi para reduzir o armazenamento do índice sem comprometer a qualidade da recuperação.
Este artigo propõe e valida o uso da "Dificuldade da Lâmina Inteira" (WSD), baseada em discordâncias entre patologistas, para melhorar o desempenho do Aprendizado de Múltiplas Instâncias na classificação e graduação do câncer de próstata, especialmente nos casos de maior gravidade.
O artigo apresenta o KDMR, uma nova estrutura de retransmissão de movimento cinodinâmico que formula a locomoção humanoides como um problema de otimização de trajetória corporal completa com múltiplos contatos, superando as limitações de métodos puramente cinemáticos ao garantir consistência física e melhorar o treinamento de políticas de controle.
Este artigo demonstra que o problema de determinar a viabilidade de limpar ou sobreviver no Tetris com uma única peça tetromino (exceto a peça O) é NP-difícil sob o sistema de rotação padrão, refutando uma conjectura antiga, enquanto estabelece que o problema se torna polinomial para peças do tipo dominó e para peças $1 \times k$ em condições específicas de tabuleiro.
O artigo apresenta o ReCoSplat, um modelo feed-forward autoregressivo para síntese de novas visões online que utiliza um módulo Render-and-Compare para compensar erros de pose e uma estratégia híbrida de compressão de cache para permitir a reconstrução eficiente de sequências longas, alcançando desempenho state-of-the-art em diversos cenários.
O artigo apresenta o TiPToP, um sistema modular de planejamento de manipulação robótica que combina modelos de visão pré-treinados com um planejador de tarefas e movimentos para executar tarefas complexas a partir de imagens e instruções em linguagem natural sem necessidade de dados de treinamento específicos do robô, demonstrando desempenho superior ou equivalente a modelos de ação visão-linguagem treinados com milhares de horas de demonstrações.
Este artigo apresenta um novo quadro geral que estende a compilação de conhecimento em d-DNNF para o nível de SMT, permitindo consultas polinomiais em qualquer teoria através da combinação de fórmulas SMT com lemas teóricos pré-computados antes da compilação proposicional.
Este artigo apresenta um modelo de ponta para sistemas integrados de defesa aérea que utiliza agentes baseados na arquitetura BDI e raciocínio de planos de metanível para automatizar decisões de comando e controle, como detecção, avaliação de ameaças e alocação de armas, sem necessidade de intervenção manual.