3901 artículos
El artículo presenta SRNeRV, un marco recursivo a escala que mejora la eficiencia de parámetros y el rendimiento en la representación de video mediante el uso de una arquitectura compartida que descompone el procesamiento en módulos espaciales específicos de escala y de canales invariantes.
El artículo presenta GarmentPainter, un marco eficiente que sintetiza texturas de prendas 3D de alta fidelidad y coherencia espacial mediante un modelo de difusión guiado por la posición UV y una imagen de referencia del personaje, sin requerir alineación estricta ni modificar la arquitectura subyacente.
Este estudio evalúa métodos de aprendizaje profundo, incluyendo redes neuronales convolucionales, transformadores de visión y modelos fundacionales, aplicados a imágenes ultra granulares para la detección de retinopatía diabética y edema macular diabético, demostrando un rendimiento sólido y la eficacia de la fusión de características y las representaciones en el dominio de la frecuencia.
El artículo presenta SiMO, un nuevo enfoque de percepción colaborativa multimodal que supera las limitaciones de los métodos existentes al garantizar un funcionamiento óptimo incluso cuando falla un sensor clave, mediante una fusión adaptable de características y una estrategia de entrenamiento que preserva la independencia de cada modalidad.
Este artículo propone una formulación alternativa de la transformada de Hough que, al sustituir el esquema de votación discretizado por una función de puntuación continua, utiliza la homología persistente para identificar líneas en nubes de puntos y presenta un algoritmo eficiente para su cálculo.
El artículo presenta DynamicVGGT, un marco unificado de alimentación directa que extiende la percepción 3D estática a la reconstrucción dinámica 4D para la conducción autónoma mediante la predicción conjunta de mapas de puntos, un módulo de atención temporal consciente del movimiento y una cabeza de *Gaussian Splatting* 3D dinámica para modelar con precisión el movimiento y la coherencia temporal en escenas complejas.
El artículo presenta WaDi, un marco de destilación para síntesis de imágenes en un solo paso que utiliza el adaptador LoRaD para modelar cambios direccionales en los pesos de los modelos de difusión, logrando un rendimiento de vanguardia con solo el 10% de los parámetros entrenables.
Este trabajo presenta un método libre de aprendizaje para el seguimiento de pose 6D de objetos que fusiona el flujo óptico basado en eventos para la propagación de la pose con una corrección local basada en plantillas, logrando un rendimiento comparable o superior a los algoritmos actuales en escenarios dinámicos de alta velocidad donde las cámaras RGB-D y las redes profundas tienen limitaciones.
Este trabajo propone un método de borrado de conceptos en modelos de difusión que utiliza prototipos derivados de la geometría de las incrustaciones latentes para eliminar de forma fiable conceptos amplios y complejos, como la violencia o la sexualidad, sin comprometer la calidad de las imágenes generadas.
El artículo presenta OSCAR, un método basado en representaciones implícitas neuronales que reconstruye la geometría 3D completa de la anatomía vertebral a partir de observaciones parciales de ultrasonido mediante un espacio latente acoplado que modela la apariencia de la imagen y la forma anatómica, logrando una mejora del 80% en la puntuación HD95 sin necesidad de etiquetas anatómicas durante la inferencia.
El artículo presenta SP-CLIP, un marco ligero que mejora el reconocimiento de acciones sin ejemplos previos mediante el uso de prompts semánticos estructurados que enriquecen las descripciones textuales sin modificar los modelos de visión-idioma preentrenados.
Este trabajo propone un método de generación de imágenes CT a partir de texto que mejora la fidelidad y la consistencia anatómica al recuperar casos clínicos relevantes mediante un codificador visión-lingüístico 3D para utilizar sus anotaciones como guía estructural en un modelo de difusión latente.
Este trabajo presenta un marco de ajuste fino que mejora la robustez de los Transformadores de Visión (ViTs) ante cambios de distribución al alinear sus mapas de relevancia con conceptos semánticos de nivel de objeto generados automáticamente mediante LLMs y VLMs, reduciendo así la dependencia de correlaciones espurias.
El artículo presenta HDR-NSFF, un marco unificado que transforma la fusión de imágenes de alto rango dinámico (HDR) de un enfoque 2D a un modelado espaciotemporal 4D para reconstruir radiancias HDR coherentes y sin artefactos a partir de videos monoculares con exposiciones alternadas, superando las limitaciones de los métodos convencionales mediante la integración de campos de flujo neuronal, priores generativos y un nuevo conjunto de datos real.
El artículo presenta SlowBA, un ataque de puerta trasera novedoso que compromete la eficiencia de los agentes de interfaz gráfica basados en modelos de lenguaje y visión al inducir cadenas de razonamiento excesivamente largas mediante patrones de activación específicos, aumentando significativamente la latencia de respuesta sin sacrificar la precisión de la tarea.
Este estudio compara el rendimiento de humanos y modelos de IA en el reconocimiento de acciones egocéntricas utilizando recortes mínimos identificables (MIRCs) y revela que, mientras los humanos dependen de señales semánticas críticas como las interacciones mano-objeto, los modelos de IA muestran una degradación más gradual basada en características contextuales y de bajo nivel, lo que explica la brecha de rendimiento en condiciones desafiantes.
Este trabajo presenta un marco general para evaluar la calidad de los mapas de calor en el aprendizaje de múltiples instancias (MIL) para patología computacional, demostrando mediante un extenso benchmark que métodos como la propagación de relevancia capa a capa (LRP) y los gradientes integrados (IG) superan a las técnicas basadas en atención, permitiendo así validaciones biológicas más fiables y el descubrimiento de nuevas estrategias de predicción.
El artículo presenta SOT-GLP, un método de aprendizaje de prompts que combina alineación global y local mediante transporte óptimo disperso para mejorar la precisión en clasificación con pocos ejemplos y la detección de datos fuera de distribución en modelos de visión-idioma como CLIP.
El artículo presenta VLA, un marco de modelos visión-lenguaje-acción guiado por priores que mejora la generación de acciones robóticas al modelar las variaciones del conocimiento del mundo en lugar de predecir estados futuros absolutos, logrando un rendimiento superior y mayor eficiencia mediante la extracción de priores, la cuantización latente de variaciones y la atención condicional.
Este trabajo presenta UniDiffDA, un marco analítico unificado que descompone la augmentación de datos basada en difusión en tres componentes clave para establecer un protocolo de evaluación justo y exhaustivo que permite comparar y comprender sistemáticamente las estrategias existentes en tareas de clasificación con escasez de datos.