3887 artículos
El paper presenta SGG-R³, un marco de razonamiento estructurado que combina ajuste fino supervisado con aprendizaje por refuerzo y optimización de políticas de secuencia grupal para generar gráficos de escena completos y sin sesgos, abordando eficazmente la dispersión de relaciones y las distribuciones de cola larga mediante estrategias de aumento de relaciones y un esquema de recompensa de doble granularidad.
Este trabajo presenta EcoG-Bench, un nuevo diagnóstico bilingüe y egocéntrico que evalúa la capacidad de los modelos de lenguaje multimodales para vincular el habla con gestos deícticos en el tiempo y el espacio, revelando una brecha significativa entre el rendimiento humano y el de las IA debido a limitaciones en las interfaces multimodales actuales.
Este artículo presenta un marco de seguimiento de instrumentos quirúrgicos independiente del dispositivo que fusiona múltiples modalidades de detección en un grafo de escena dinámico para mantener la precisión y la visualización de realidad aumentada incluso en entornos de quirófano con frecuentes oclusiones.
El artículo presenta AutoReg3D, un detector de objetos 3D basado en LiDAR que reformula la detección como generación de secuencias mediante un enfoque autoregresivo de orden causal (de cerca a lejos), eliminando la necesidad de componentes manuales como anclajes y supresión no máxima (NMS) mientras habilita la integración de avances en modelos de lenguaje para la percepción 3D.
El artículo presenta TeamHOI, un marco que utiliza una política descentralizada basada en Transformers y un prior adversarial de movimiento enmascarado para permitir que un número variable de agentes humanoides realicen interacciones cooperativas humano-objeto realistas y estables mediante una sola política unificada.
El artículo presenta AutoTraces, un modelo autoregresivo multimodal que integra un nuevo esquema de tokenización de trayectorias y una generación automática de razonamiento en cadena para predecir con precisión el movimiento humano en entornos poblados, superando a los métodos anteriores en generalización y predicción a largo plazo.
El artículo presenta ViSA, un marco mejorado para la navegación aérea visión-lenguaje que utiliza un razonamiento visual-espacial de tres fases para permitir que los modelos de lenguaje visual realicen inferencias directas en planos de imagen sin entrenamiento adicional, logrando una mejora del 70,3% en la tasa de éxito frente a los métodos actuales.
Este artículo presenta TickTockVQA, un nuevo conjunto de datos anotado por humanos con relojes analógicos en escenarios reales, junto con un marco de ajuste fino llamado Swap-DPO, para abordar las deficiencias actuales de los modelos de visión-lingüística en la lectura precisa de relojes y el razonamiento espacial-temporal.
Este artículo presenta un marco de fusión de imágenes guiado por diccionarios que, mediante el aprendizaje de una representación compartida y la inferencia en el dominio de coeficientes, genera información infrarroja faltante a partir de imágenes visibles para mejorar la calidad perceptual y el rendimiento de detección sin recurrir a la generación en el espacio de píxeles.
El artículo presenta VSDiffusion, un marco de difusión en dos etapas que utiliza priores de visibilidad para generar sombras realistas y geométricamente consistentes de objetos insertados, logrando resultados de vanguardia en el conjunto de datos DESOBAv2.
El artículo presenta AffordGrasp, un marco basado en difusión que genera posturas de agarre humano físicamente estables y semánticamente precisas al integrar representaciones latentes de affordance y un proceso de doble condicionamiento para cerrar la brecha entre la geometría de los objetos y las instrucciones textuales.
Este artículo presenta MambaDance, un nuevo enfoque de generación de danza que sustituye a los transformadores por un modelo de difusión basado en Mamba e incorpora una representación de ritmo basada en Gaussianas para producir movimientos sincronizados con la música que capturan eficazmente las características secuenciales y rítmicas del baile.
Este trabajo propone un marco en cascada de dos etapas que genera videos de movimientos humanos complejos a partir de descripciones de texto mediante un modelo autoregresivo texto-huesos y un modelo de difusión video-huesos con DINO-ALF, complementado con un nuevo dataset sintético para superar las limitaciones actuales en la generación de acrobacias y movimientos dinámicos.
El artículo presenta QualiTeacher, un marco innovador que transforma las pseudo-etiquetas imperfectas en señales de supervisión condicionadas a la calidad, permitiendo que los modelos de restauración de imágenes aprendan un manifold graduado que evita artefactos y supera la calidad de sus propias etiquetas.
Este trabajo presenta un marco multimodal robusto basado en Transformers con atención cruzada segura y dropout de modalidades, que combina pérdidas focales y votación suave por ventanas deslizantes para superar los desafíos de oclusiones, datos faltantes y desequilibrio de clases en el reconocimiento de emociones del desafío ABAW, logrando un 60,79 % de precisión en el conjunto de validación Aff-Wild2.
Speed3R es un modelo de reconstrucción 3D feed-forward que supera el cuello de botella computacional de la atención densa mediante un mecanismo de atención dual inspirado en la estructura desde el movimiento, logrando una aceleración de inferencia de 12,4 veces en secuencias de 1000 vistas con un mínimo compromiso en la precisión geométrica.
El artículo presenta "See & Switch", un marco interactivo de programación robótica que utiliza percepción visual para seleccionar dinámicamente ramas en gráficos de tareas y detectar contextos anómalos, logrando una alta precisión en la ejecución y recuperación de habilidades dexterosas sin depender de señales manuales o de baja dimensión.
El artículo presenta ImageEdit-R1, un marco multiagente que utiliza aprendizaje por refuerzo para coordinar agentes especializados y abordar las limitaciones de los sistemas de edición de imágenes existentes al interpretar instrucciones complejas y realizar ediciones coherentes y orientadas a objetivos.
Este artículo presenta una arquitectura de clasificación innovadora impulsada por un Modelo de Lenguaje y Visión Grande (LVLM) que mejora la geolocalización de imágenes de drones mediante el modelado relacional conjunto y una función de pérdida consciente de las relaciones, logrando así una precisión de recuperación superior al capturar correlaciones visuales y semánticas profundas entre las vistas aéreas y satelitales.
Este trabajo propone métricas de evaluación basadas en tokens visuales discretos, como la Distancia de Histograma del Libro de Códigos (CHD) y la Puntuación del Modelo de Mezcla de Códigos (CMMS), junto con el benchmark VisForm, para superar las limitaciones de las métricas tradicionales y lograr una correlación superior con los juicios humanos sobre la calidad perceptual de los modelos generativos.