1863 artículos
El artículo presenta Splat2Real, un marco de preentrenamiento de profundidad monoculares que utiliza 3D Gaussian Splatting y un currículo de selección de vistas basado en cobertura y novedad (CN-Coverage) para mejorar la robustez ante cambios de perspectiva en la IA física, demostrando que la calidad de las vistas seleccionadas es más crítica que la cantidad bruta para la estabilidad del rendimiento.
El artículo presenta SLiM, un marco unificado innovador que elimina el decodificador en el aprendizaje de representaciones esqueléticas mediante una combinación de modelado enmascarado y aprendizaje contrastivo, logrando un rendimiento superior al estado del arte con una reducción significativa en los costos computacionales.
El artículo presenta ROVA, un nuevo marco de entrenamiento que mejora la robustez de los modelos de razonamiento video-lingüístico ante perturbaciones del mundo real mediante una recompensa de consistencia y una estrategia de dificultad adaptativa, validado mediante el nuevo benchmark PVRBench que demuestra reducciones significativas en la degradación del rendimiento.
Este artículo presenta un análisis sistemático de las decisiones de diseño en la creación de representaciones incrustadas para modelos fundacionales geoespaciales, demostrando que es posible generar representaciones fijas más de 500 veces más pequeñas que los datos brutos sin sacrificar el rendimiento en diversas tareas de observación terrestre.
Este artículo presenta un diseño eficiente y pipeline en FPGA para el módulo de búsqueda de vectores de desplazamiento de la herramienta de Copia de Patrón Intrínseco (IPC) en JPEG XS, logrando un alto rendimiento y bajo consumo energético que facilita su implementación práctica en hardware.
El paper presenta A²-Edit, un marco unificado de inpainting que permite editar objetos arbitrarios utilizando solo una máscara aproximada, respaldado por el nuevo dataset UniEdit-500K, un módulo Mixture of Transformer para manejar la diversidad de categorías y una estrategia de entrenamiento con annealing de máscaras para mejorar la robustez.
El artículo presenta MapGCLR, un enfoque semi-supervisado que mejora la construcción de mapas HD vectorizados en línea mediante aprendizaje contrastivo auto-supervisado que aprovecha la consistencia geoespacial entre superposiciones de características en vista de pájaro, logrando un rendimiento superior al de los métodos supervisados convencionales.
El artículo presenta BorderNet, una arquitectura de red neuronal convolucional inspirada en el modelo matemático de la corteza visual para completar bordes en imágenes ocluidas, la cual demuestra un rendimiento superior en conjuntos de datos como MNIST, Fashion-MNIST y EMNIST frente a oclusiones tipo rayas y cuadrículas.
El artículo propone RandMark, un método de marcaje de agua aleatorio que utiliza una pequeña red codificadora-decodificadora para incrustar marcas de agua en representaciones internas de modelos fundacionales visuales, permitiendo verificar su propiedad y detectar copias funcionales con baja probabilidad de falsos positivos y negativos.
El artículo presenta UniCom, un marco unificado que supera las limitaciones de los tokenizadores visuales discretos mediante representaciones semánticas continuas comprimidas, logrando un rendimiento de vanguardia en la generación y edición de imágenes con una convergencia rápida y una consistencia superior.
El artículo presenta WalkGPT, un modelo de lenguaje-vision grounded que integra razonamiento conversacional, segmentación y estimación de profundidad para guiar la navegación peatonal accesible, junto con el nuevo benchmark PAVE para evaluar estas capacidades.
Este artículo presenta CTCNet, un nuevo enfoque de red neuronal que integra conocimiento regulatorio y compensación espectral cruzada para mejorar la comprensión del tráfico aéreo en condiciones adversas, junto con la creación de Traffic-VQA, el primer conjunto de datos de referencia a gran escala óptico-térmico para esta tarea.
Este artículo presenta el conjunto de datos eLasmobranc, una colección pública y curada de imágenes de siete especies de elasmobranquios del Mediterráneo español, obtenidas principalmente fuera del agua bajo protocolos estandarizados para facilitar la clasificación de especies a nivel morfológico y apoyar el monitoreo de la biodiversidad y la conservación.
Este trabajo presenta Just-in-Time (JiT), un marco de aceleración espacial sin entrenamiento para Transformadores de Difusión que, mediante la selección dinámica de tokens ancla y un flujo micro determinista, logra una aceleración de hasta 7 veces en el modelo FLUX.1-dev manteniendo una fidelidad de generación casi sin pérdidas.
Este trabajo propone un sistema de estereofotometría basado en eventos que utiliza una única fuente de luz rotatoria y una red neuronal ligera por píxel para estimar normales de superficie sin calibración, logrando mayor precisión y robustez ante iluminación ambiental y especularidad en comparación con métodos existentes.
El artículo "CodePercept" identifica que las limitaciones en el razonamiento visual STEM de los modelos de lenguaje multimodal (MLLM) se deben principalmente a deficiencias perceptivas, proponiendo un nuevo paradigma que utiliza código ejecutable como medio de percepción para generar el dataset ICC-1M y el benchmark STEM2Code-Eval, logrando así una comprensión visual más precisa y verificable.
Este artículo presenta la Guía de Degradación de Condiciones (CDG), un método plug-and-play que mejora la precisión de los modelos de difusión al reemplazar el prompt nulo con una condición semánticamente degradada, logrando así una mayor fidelidad en tareas de composición compleja sin costo computacional significativo.
El artículo presenta "Super Neurons", un método de sondeo que utiliza activaciones escalares en las capas superficiales de los modelos de lenguaje visual para lograr clasificadores precisos con una aceleración de hasta 5,10 veces mediante la salida temprana del modelo.
Este artículo presenta LGA-RCM-YOLO, un modelo de segmentación de instancias de interfaz de fase basado en YOLO11m que, junto con el nuevo conjunto de datos CTG 2.0, supera los desafíos de monitoreo visual en vidrio transparente para lograr una automatización de laboratorio precisa y en tiempo real.
Este trabajo propone la Alineación de Granularidad Semántica (SGA), un método que aprovecha una perspectiva geométrica basada en el Kernel Tangente Neural para mitigar conflictos de gradientes en el ajuste fino de modelos de flujo, logrando así una convergencia más rápida y una mejor integridad estructural en la síntesis de imágenes a partir de texto.