3769 artículos
El artículo presenta SiamGM, una red siamesa innovadora que combina atención gráfica intercuadro y optimización guiada por vectores de movimiento para lograr un seguimiento de objetos en tiempo real (130 FPS) en videos satelitales, superando a los métodos actuales al mitigar eficazmente desafíos como objetivos pequeños, cambios de aspecto y oclusiones sin añadir sobrecarga computacional.
El paper propone GRD-Net, una arquitectura que combina una red generativa adversarial con un módulo de atención a regiones de interés para detectar y localizar anomalías en inspecciones visuales industriales, aprendiendo tanto de productos defectuosos sintéticos como de datos reales sin depender de algoritmos de post-procesamiento sesgados.
Este artículo presenta un modelo eficiente de comprensión de escenas RGB-D que utiliza un codificador de fusión mejorado, capas de atención adaptativa y una función de pérdida multi-tarea dinámica para superar limitaciones como oclusiones y bordes ambiguos, logrando un rendimiento superior en múltiples tareas de segmentación y clasificación en comparación con métodos existentes.
Este artículo presenta una comparación sistemática de cuatro objetivos de entrenamiento para la detección de distribuciones fuera de contexto en clasificación de imágenes, revelando que la Pérdida de Entropía Cruzada ofrece el rendimiento más consistente tanto en distribuciones cercanas como lejanas en comparación con las pérdidas de prototipo, tripletas y precisión promedio.
Este artículo presenta un marco de detección de anomalías semisupervisado basado en una arquitectura generativa adversarial con autoencoder residual, diseñado para inspección visual en línea de producción farmacéutica de alta velocidad que logra un alto rendimiento de detección y localización espacial dentro de las estrictas restricciones de tiempo y hardware.
El artículo presenta 3DGS-HPC, un marco que mejora la síntesis de vistas nuevas en entornos reales al eliminar distractores transitorios mediante una estrategia de clasificación por parches y una métrica híbrida que supera las limitaciones de los enfoques basados en semántica.
El artículo presenta StructAttack, un marco de ataque de una sola consulta que explota la vulnerabilidad de los modelos de visión y lenguaje grandes al ensamblar contenido malicioso a partir de bloques semánticos benignos dispuestos en estructuras visuales, logrando así eludir los mecanismos de seguridad en entornos de caja negra.
Este artículo presenta un método de simplificación de nubes de puntos LiDAR basado en atención que, al combinar incrustación de características y muestreo aprendido, logra un equilibrio superior entre velocidad y precisión en tareas de detección y clasificación de objetos en comparación con técnicas tradicionales como el muestreo aleatorio y el muestreo del punto más lejano.
El artículo presenta EmbedTalk, un método de síntesis de cabezas parlantes que elimina las triplanas en favor de deformaciones impulsadas por incrustaciones aprendidas, logrando una mayor calidad de renderizado, sincronización labial y consistencia de movimiento con modelos más compactos que superan los 60 FPS en GPUs móviles.
Este artículo presenta un método de aprendizaje no supervisado basado en redes neuronales implícitas (SIREN) que modela la superficie del agua y la imagen subyacente para eliminar las distorsiones por refracción en imágenes aéreas, logrando una restauración superior a enfoques anteriores y una estimación de la topografía del agua.
Este trabajo presenta un nuevo marco de representación visual implícita que codifica señales como funciones parametrizadas por adaptaciones de bajo rango en modelos generativos congelados, logrando una compresión de video perceptual de alta calidad a tasas de bits extremadamente bajas y estableciendo un puente unificado entre la compresión y la generación visual.
El artículo demuestra que las alucinaciones en los modelos de visión y lenguaje surgen de un proceso de "sobreanálisis" donde las hipótesis erróneas se propagan a través de las capas internas, y propone el "Overthinking Score" como una métrica basada en la dinámica de estas capas para detectarlas con mayor precisión que los métodos tradicionales.
El artículo presenta Duala, un marco de alineación dual que mejora la decodificación visual fMRI entre sujetos mediante la alineación semántica de estímulos y la adaptación de distribuciones neuronales, logrando un alto rendimiento incluso con datos de ajuste fino limitados.
Este artículo presenta Mobile GlottisNet, un marco de detección de glotis ligero y eficiente diseñado para la inferencia en tiempo real en dispositivos embebidos, que utiliza mecanismos de aprendizaje de características desacopladas espacialmente para superar las limitaciones de latencia y recursos en la intubación nasotraqueal de emergencia.
Este artículo presenta una tubería de generación de datos sintéticos basada en un gemelo digital del Aeropuerto Internacional de Argel para entrenar un detector YOLO-OBB, demostrando que la combinación de estos datos con solo el 40% de las anotaciones reales iguala o supera el rendimiento de un modelo entrenado exclusivamente con datos reales completos, reduciendo así el esfuerzo de anotación entre un 25% y un 35%.
El artículo presenta AtomicVLA, un marco unificado de planificación y ejecución que utiliza una biblioteca de habilidades atómicas y un mecanismo de expertos guiado por habilidades para superar las limitaciones de escalabilidad y aprendizaje continuo de los modelos VLA existentes en tareas robóticas de largo horizonte.
El paper presenta GLASS, un marco no supervisado que integra análisis espectral geométrico con priores semánticos de modelos visión-lenguaje para establecer correspondencias densas y semánticamente coherentes entre formas 3D, logrando un rendimiento superior en escenarios no isométricos e interclase.
Este artículo presenta el marco de inferencia auto-crítica (SCI) y el nuevo benchmark de robustez dinámica (DRBench) para abordar el sesgo y la sensibilidad al lenguaje en los modelos de visión y lenguaje grandes mediante razonamiento contrafactual escalable, demostrando mejoras significativas en la robustez del modelo.
El artículo presenta Holi-Spatial, el primer conjunto de datos multimodal a gran escala y totalmente automatizado que evoluciona flujos de video en inteligencia espacial 3D holística mediante una tubería de curación de datos sin intervención humana, logrando mejoras significativas en la calidad de los datos y el rendimiento de los modelos de visión-lingüística en tareas de razonamiento espacial.
Ref-DGS es un marco de doble representación gaussiana que supera el compromiso entre la reconstrucción precisa de superficies reflectantes y la eficiencia computacional al decoupling la geometría de las reflexiones especulares mediante un sombreador adaptativo, logrando un rendimiento superior y un entrenamiento más rápido que los métodos basados en trazado de rayos.