3940 artículos
El artículo presenta FunnyNodules, un conjunto de datos sintético y totalmente personalizable de nódulos pulmonares con anotaciones densas y reglas de decisión controlables, diseñado para evaluar y desarrollar modelos de IA explicable que aprendan a razonar correctamente basándose en atributos visuales específicos.
El artículo presenta FireScope, un marco basado en modelos de lenguaje visual que utiliza razonamiento tipo "cadena de pensamiento" para predecir mapas de riesgo de incendios forestales con alta generalización entre continentes, respaldado por el nuevo conjunto de datos y benchmark FireScope-Bench.
Los autores proponen VeilGen, un modelo generativo no supervisado que estima mapas de transmisión y deslumbramiento latentes para sintetizar datos realistas, y DeVeiler, una red de restauración que utiliza estos mapas para eliminar eficazmente el deslumbramiento por velo en sistemas ópticos simplificados.
Este artículo presenta UAM, un nuevo marco multimodal basado en un esqueleto unificado de Atención-Mamba que supera a los modelos fundacionales actuales al mejorar la precisión en la clasificación de células tumorales y la segmentación de tumores mediante una arquitectura flexible que elimina la necesidad de ajuste manual de proporciones.
El artículo presenta EgoCogNav, un marco de navegación egocéntrica multimodal que predice la incertidumbre percibida y fusiona características de la escena con señales sensoriales para anticipar trayectorias y movimientos de la cabeza, acompañado de la introducción del nuevo conjunto de datos CEN para investigar comportamientos de navegación humana en entornos reales.
El artículo presenta SyncMV4D, un modelo pionero que genera videos de interacción mano-objeto multivista sincronizados y movimientos 4D mediante un ciclo de retroalimentación que unifica priores visuales, dinámicas de movimiento y geometría multivista para superar las limitaciones de los métodos actuales.
Este artículo presenta ReInversion, un método de edición de imágenes guiado por ejemplos que, al ser libre de entrenamiento y utilizar un proceso de inversión reversible junto con una estrategia de desruido selectivo, logra un rendimiento superior con el menor costo computacional.
Este artículo presenta un método de registro de imágenes de resonancia magnética de cuerpo entero para el UK Biobank que utiliza máscaras de tejido adiposo subcutáneo y muscular para mejorar significativamente la precisión de la alineación anatómica y la correlación con datos de salud en comparación con enfoques existentes.
El artículo presenta UniTS, un modelo generativo unificado basado en flujo de coincidencia y arquitecturas de transformadores difusos que integra tareas clave de teledetección como reconstrucción, eliminación de nubes, detección de cambios y pronóstico, superando a los modelos especializados existentes mediante una generación condicional de alta calidad.
Este trabajo propone un marco basado en nubes de puntos que explota las propiedades espacio-temporales de las cámaras de eventos mediante módulos de convolución y secuenciación, mejorando la estimación de la postura humana con mayor eficiencia computacional y precisión en comparación con los métodos tradicionales.
El artículo presenta DFIR-DETR, un detector basado en transformadores que mejora la detección de objetos pequeños mediante la agregación dinámica de características, una pirámide de características con preservación de normas y un refinamiento iterativo en el dominio de la frecuencia para superar las limitaciones de los métodos actuales.
Fast-BEV++ es un marco de percepción BEV que resuelve la compensación entre precisión y eficiencia mediante un diseño algorítmico y de despliegue optimizado, logrando un nuevo estado del arte en el benchmark nuScenes con 0.488 NDS y más de 134 FPS sin depender de kernels personalizados.
Este artículo presenta un marco que combina la selección de subconjuntos submodulares con la estimación de incertidumbre basada en gradientes para mejorar la robustez y fidelidad de las explicaciones visuales bajo cambios de distribución, sin requerir entrenamiento adicional.
El artículo presenta Photo3D, un marco que mejora la generación 3D fotorrealista mediante el uso de imágenes generadas por IA y una síntesis multi-vista alineada estructuralmente para superar la falta de datos de alta calidad y preservar tanto la consistencia estructural como los detalles realistas.
Este artículo presenta un marco modular de procesamiento de señales de imagen (ISP) basado en aprendizaje profundo que transforma entradas crudas en imágenes de alta calidad, ofreciendo un control total sobre las etapas intermedias para mejorar la escalabilidad, la depuración y la personalización del estilo, todo ello integrado en una herramienta interactiva que permite re-renderizado ilimitado.
Este estudio presenta un nuevo enfoque de análisis de datos topológicos (TDA) basado en parches para imágenes de tomografía computarizada que supera a los métodos tradicionales en precisión y eficiencia computacional, ofreciendo además un paquete de Python para facilitar su implementación.
El artículo presenta VTP, un marco unificado de pre-entrenamiento para tokenizadores visuales que, al optimizar conjuntamente pérdidas de contraste, auto-supervisadas y de reconstrucción, resuelve el problema de escalado en la generación al demostrar que la comprensión semántica es clave para lograr una mejora significativa en el rendimiento generativo a medida que aumenta la inversión computacional.
El artículo presenta CASA, un enfoque que reinvestiga y demuestra la eficacia de la atención cruzada para la fusión visión-lenguaje, logrando un rendimiento competitivo con los métodos de inserción de tokens mientras reduce significativamente el costo computacional y la latencia en aplicaciones de video en tiempo real.
Este artículo presenta un codificador de historial ligero y preentrenado que comprime largas secuencias de video en incrustaciones cortas, logrando una consistencia de contenido comparable a métodos más pesados mediante un enfoque de preentrenamiento con consultas de cuadros y un ajuste fino para la generación autoregresiva.
Este trabajo presenta Spatial4D-Bench, un extenso y versátil benchmark de inteligencia espacial 4D compuesto por 40.000 pares de preguntas y respuestas que evalúa la capacidad de razonamiento de los Modelos de Lenguaje Multimodales (MLLMs), revelando sus limitaciones actuales en tareas complejas como la planificación de rutas y el razonamiento físico.