3852 artículos
El artículo presenta FusionRegister, un método general de registro guiado por priores visuales para la fusión de imágenes infrarrojas y visibles que mejora la eficiencia y robustez al aprender representaciones de desalineación en lugar de forzar una alineación completa, logrando así una integración fluida con diversos métodos de fusión existentes.
El artículo presenta UniUncer, un marco unificado y ligero para la conducción de extremo a extremo que estima y aprovecha la incertidumbre tanto de elementos estáticos como dinámicos mediante regresores probabilísticos y una puerta adaptativa, logrando mejoras significativas en la precisión de la trayectoria y la seguridad sin sacrificar el rendimiento computacional.
El artículo presenta FrameVGGT, un marco de memoria explícita impulsado por cuadros que aborda el crecimiento ilimitado de la caché en transformadores de geometría visual en streaming mediante la agrupación de contribuciones de cuadros en bloques coherentes, logrando así un equilibrio favorable entre precisión y memoria limitada para tareas de percepción 3D a largo plazo.
El artículo presenta RoboPCA, un marco de aprendizaje de affordances centrado en la pose que, mediante el pipeline de datos Human2Afford, predice conjuntamente regiones de contacto y orientaciones adecuadas para la manipulación robótica a partir de demostraciones humanas, superando a los métodos existentes en generalización y consistencia.
El artículo presenta CDA-VSR, una red de super-resolución de video en línea que aprovecha información del dominio comprimido (vectores de movimiento, mapas de residuos y tipos de cuadro) para lograr un equilibrio óptimo entre calidad y eficiencia, superando a los métodos actuales en velocidad de inferencia y rendimiento en el conjunto de datos REDS4.
El artículo presenta el Modelo de Difusión de Movimiento Enmascarado (MMDM), un marco generativo basado en difusión que utiliza un mecanismo de Agregación de Atención Cinemática para aprender priores de movimiento adaptativos al contexto y reconstruir eficazmente datos de movimiento incompletos o ruidosos mediante la integración de reconstrucciones de alta calidad parciales.
El artículo presenta TDM-R1, un nuevo paradigma de aprendizaje por refuerzo que permite entrenar modelos de difusión de pocos pasos utilizando recompensas no diferenciables mediante la descomposición del proceso en aprendizaje de recompensas sustitutas y generación, logrando así un rendimiento superior en diversas métricas de calidad y alineación.
El paper presenta PARSE, un marco que modela las interacciones a nivel de partes mediante un Grafo de Ensamblaje Centrado en Partes (PAG) para resolver configuraciones espaciales físicamente consistentes, lo que permite crear el dataset PARSE-10K y mejorar tanto el razonamiento de layouts como la generación de escenas 3D realistas.
El artículo presenta 3ViewSense, un marco que cierra la brecha de inteligencia espacial en los modelos de visión y lenguaje al utilizar proyecciones ortográficas y un mecanismo de "simulación y razonamiento" para construir representaciones mentales 3D coherentes a partir de vistas 2D, mejorando significativamente tareas como el conteo de bloques y el razonamiento espacial.
El artículo presenta AR2-4FV, un método que mejora la referencia y reidentificación a largo plazo en videos de vista fija mediante un banco de anclajes de fondo estático que actúa como memoria semántica persistente, logrando mejoras significativas en las tasas de recaptura y reduciendo la latencia sin depender de la visibilidad inicial del objetivo ni de variaciones de apariencia.
El artículo presenta DECADE, un marco de difusión no supervisado que mejora la desruidificación de imágenes PET cardíacas dinámicas con Rb-82 al garantizar consistencia temporal y preservar la precisión cuantitativa sin necesidad de datos de entrenamiento emparejados.
El artículo presenta MedQ-Deg, un nuevo benchmark multidimensional que evalúa el rendimiento y la calibración de la confianza de modelos multimodales grandes (MLLM) médicos ante 18 tipos de degradación de imágenes, revelando que su precisión disminuye sistemáticamente con la severidad de la degradación mientras mantienen una confianza excesivamente alta, un fenómeno denominado "Efecto Dunning-Kruger de la IA".
El artículo presenta GK-FedDKD, un marco de aprendizaje federado que utiliza la distilación de conocimiento dual y el conocimiento geométrico global para superar los desafíos de heterogeneidad en el análisis de imágenes satelitales, logrando un rendimiento superior al estado del arte en múltiples conjuntos de datos.
Este artículo presenta un método de transferencia de estilo que representa las imágenes en el dominio de las pinceladas en lugar del dominio de píxeles RGB, logrando una mejora visual más natural y fiel a la creación artística real.
El artículo presenta OrdinalBench, un nuevo conjunto de datos y marco de evaluación estandarizado que diagnostica las limitaciones de generalización en la comprensión de números ordinales de los Modelos Visión-Lenguaje, revelando mediante 39.000 pares de preguntas y respuestas que, aunque estos modelos obtienen buenos resultados en tareas estándar, sufren un deterioro significativo al identificar objetos en posiciones ordinales extremas o en trayectorias complejas.
El artículo propone SGI, un marco compacto y eficiente que representa imágenes de alta resolución mediante Gaussians 2D estructurados generados a partir de semillas y MLPs, logrando una compresión significativamente mayor y una convergencia más rápida que los métodos anteriores sin sacrificar la fidelidad de la imagen.
Este trabajo presenta 4DRC-OCC, el primer estudio que fusiona datos de radar 4D y cámaras para lograr una predicción robusta de ocupación semántica 3D en condiciones adversas, complementada por un nuevo conjunto de datos etiquetado automáticamente que reduce la dependencia de la anotación manual.
El artículo presenta MWM, un modelo de mundo móvil que mejora la navegación basada en planificación mediante un marco de entrenamiento en dos etapas y una destilación consistente con la inferencia para garantizar coherencia en las predicciones condicionadas a la acción y eficiencia en la ejecución.
El artículo presenta HybridStitch, un nuevo paradigma para la generación de imágenes texto-a-imagen que acelera los modelos de difusión dividiendo la imagen en regiones simples y complejas para procesarlas simultáneamente con modelos pequeños y grandes, logrando una aceleración de 1,83 veces en Stable Diffusion 3.
Este estudio utiliza trampas fotográficas de bajo costo y modelos de visión fundamentales en un bosque nuboso de Hawái para monitorear la fenología de las plantas y sus interacciones ecológicas a nivel individual, revelando tendencias temporales que los métodos tradicionales no pueden detectar.