1863 artículos
El artículo presenta CIPHER, un método sin entrenamiento que suprime las alucinaciones visuales en modelos de lenguaje-vision grandes (LVLM) proyectando sus estados ocultos fuera de un subespacio de baja dimensión identificado mediante perturbaciones de imágenes contrafactuales generadas por difusión.
El artículo presenta StructDamage, un nuevo conjunto de datos unificado y a gran escala que agrupa y reetiqueta más de 78.000 imágenes de nueve tipos de superficies para entrenar y evaluar modelos de aprendizaje profundo capaces de detectar y clasificar grietas y defectos estructurales con alta precisión y generalización.
Este artículo presenta un método de aprendizaje auto-supervisado espacial basado en autoencodificadores para la selección de picos en imágenes de espectrometría de masas, junto con una nueva evaluación basada en máscaras de segmentación experta, demostrando un rendimiento superior a los métodos actuales en la identificación de picos con estructura espacial en diversos conjuntos de datos.
El artículo presenta IMTBench, un nuevo benchmark de 2.500 muestras que evalúa la traducción automática de texto en imágenes (IIMT) en múltiples escenarios y idiomas mediante métricas de calidad de traducción, preservación del fondo y alineación cruzada entre el texto generado y la imagen renderizada, revelando importantes brechas de rendimiento en los sistemas actuales.
Este trabajo demuestra que la exposición ingenua de las capacidades de refinamiento y razonamiento de los sistemas de IA generativa comercial, accesibles mediante instrucciones benignas, socava fundamentalmente a los detectores de deepfakes actuales al permitir la creación de imágenes que evaden la detección, preservan la identidad y mejoran la calidad perceptual, revelando una desconexión crítica entre los modelos de amenazas existentes y las capacidades reales de estas herramientas.
Este artículo propone un nuevo método de flujo autorregresivo con restricciones mal condicionadas que descompone la restauración de imágenes UHD en un proceso progresivo de lo grueso a lo fino, utilizando Flow Matching y regularización de estabilidad numérica para lograr una recuperación detallada eficiente y estable en resoluciones de 4K o superiores.
Este trabajo propone un marco de desentrelado semántico guiado visualmente que, mediante una alineación latente cruzada y un módulo de fusión híbrida, supera las limitaciones de los modelos texto-imagen generales para generar imágenes médicas de alta calidad y control fino, mejorando tanto la síntesis como el rendimiento en tareas de clasificación posteriores.
El artículo presenta STEPH, un nuevo esquema que utiliza mezclas de vectores de tareas dispersas y redes hiperpara transferir eficientemente conocimiento generalizable entre diferentes tipos de cáncer en imágenes de diapositivas completas mediante la fusión de modelos, logrando mejoras significativas en la predicción del pronóstico sin necesidad de entrenamiento conjunto a gran escala.
El artículo presenta DSFlash, un modelo de baja latencia para la generación de grafos de escena panorámicos que logra un procesamiento en tiempo real de 56 cuadros por segundo sin sacrificar el rendimiento, ofrece información contextual completa y es accesible para entrenarse en hardware antiguo y limitado.
Este estudio evalúa la sensibilidad de once modelos fundacionales para la segmentación de imágenes médicas de musculo-esqueléticas, revelando que el rendimiento varía significativamente según la estrategia de prompt y la anatomía, y que el uso de prompts humanos reduce el rendimiento en comparación con los prompts ideales, lo que complica la selección del modelo óptimo para entornos clínicos reales.
Este trabajo presenta un marco novedoso de análisis cognitivo de defectos en polímeros reforzados con fibra de carbono (CFRP) mediante termografía infrarroja activa y modelos de visión-linguaje, que elimina la necesidad de conjuntos de datos de entrenamiento específicos mediante el uso de adaptadores ligeros para lograr una detección y localización de defectos subsuperficiales en configuración *zero-shot*.
El artículo presenta P-GSVC, el primer marco de salpicadura gaussiana 2D progresiva en capas que ofrece una solución unificada para la representación escalable de imágenes y videos mediante una estrategia de entrenamiento conjunto que mejora significativamente la calidad de la reconstrucción progresiva en comparación con los métodos secuenciales.
El artículo presenta PET-F2I, un nuevo benchmark de 41.000 informes y un modelo de lenguaje eficiente (PET-F2I-7B) que supera a los modelos existentes en la generación de impresiones diagnósticas para imágenes PET/CT mediante métricas clínicas innovadoras y ajuste fino de parámetros.
El artículo presenta UniStitch, un marco innovador que unifica características geométricas y semánticas mediante los módulos Neural Point Transformer y Adaptive Mixture of Experts para superar a los métodos actuales en la costura de imágenes.
El artículo R4-CGQA aborda la evaluación de la calidad de imágenes de gráficos por computadora mediante la creación de un nuevo dataset con descripciones detalladas y la propuesta de un marco de dos corrientes basado en recuperación que mejora significativamente la capacidad de los modelos de lenguaje visuales para juzgar y explicar la calidad visual.
Este trabajo presenta LIDA, un marco de atribución de imágenes generadas por IA independiente del modelo que reformula el problema como una tarea de recuperación de instancias mediante un módulo de generación de huellas dactilares de bajo nivel de bits y adaptación con pocos ejemplos, logrando un rendimiento superior en la detección y atribución de deepfakes en escenarios sin datos previos o con pocos ejemplos.
El artículo presenta Marigold-SSD, un marco de finalización de profundidad de un solo paso que aprovecha los fuertes priores de difusión para lograr una percepción 3D robusta y eficiente sin necesidad de optimización en tiempo de prueba, superando a los métodos existentes en generalización y velocidad de inferencia.
Este trabajo propone un nuevo método de detección de imágenes sintéticas llamado "discrepancia de transición latente" (LTD), que aprovecha las inconsistencias en la coherencia estructural y la atención semántica entre capas de redes neuronales para lograr una detección más precisa, generalizable y robusta frente a imágenes generadas por IA.
El artículo presenta HyPER-GAN, un modelo generativo ligero basado en parches híbridos que mejora la fotorealidad de datos sintéticos en tiempo real mediante una estrategia de entrenamiento que combina imágenes emparejadas y parches del mundo real, superando a los métodos actuales en latencia, realismo visual y consistencia semántica.
El artículo presenta MUNIChus, el primer benchmark multilingüe de descripción de imágenes de noticias que abarca nueve idiomas, incluidos varios de recursos limitados, para evaluar y fomentar el desarrollo de modelos avanzados en este campo.