3970 artículos
El artículo presenta 3DThinker, un marco innovador que permite a los modelos de visión y lenguaje realizar un razonamiento espacial 3D basado en la imaginación geométrica a partir de vistas limitadas, sin depender de datos 3D etiquetados ni entradas previas en tres dimensiones.
El artículo presenta AURASeg, un marco de segmentación de áreas transitables para robots autónomos que utiliza refinamiento de bordes asistido por residuos y descompresión progresiva guiada por atención para lograr alta precisión en el borde y eficiencia en dispositivos de borde.
Este artículo presenta CULTIVate, un nuevo marco de evaluación que analiza la fidelidad cultural de los modelos de texto a imagen al centrarse en actividades sociales en lugar de objetos, revelando sesgos sistemáticos hacia el hemisferio norte y proponiendo métricas que correlacionan mejor con el juicio humano.
Este artículo presenta un marco de optimización colaborativa de doble mecanismo que integra la desconexión estructural de sesgos y la alineación de distribuciones globales para mejorar la equidad inter e intragrupal en la detección de deepfakes sin comprometer la precisión general.
LaxMotion es un marco que genera movimientos humanos 3D realistas y generalizables sin supervisión directa de poses 3D, aprendiendo en su lugar a partir de trayectorias globales y claves cinemáticas 2D bajo un paradigma de supervisión relajada que prioriza la consistencia estructural sobre el ajuste exacto de coordenadas.
Este artículo propone un marco de evaluación basado en la métrica de Transformación de Referencia Cultural (CRT) para analizar cómo los modelos de difusión manejan la iconicidad multimodal, distinguiendo entre el reconocimiento de referencias culturales compartidas y su realización visual, y revelando que su comportamiento depende de factores como la frecuencia de los datos, la popularidad de la referencia y la sensibilidad lingüística, más allá de la simple reproducción de imágenes.
El artículo presenta Co-Layout, un marco innovador que combina modelos de lenguaje grandes con programación entera basada en cuadrículas para optimizar conjuntamente el diseño de interiores y la disposición de muebles, superando a los enfoques existentes en calidad de solución y eficiencia computacional mediante una estrategia de optimización de lo grueso a lo fino.
El artículo presenta SPARK, un marco de ataque que elude las medidas de seguridad de los modelos de texto a video mediante prompts aparentemente benignos que combinan anclajes escénicos neutrales, desencadenantes auditivos latentes y moduladores estilísticos para inducir la generación de contenido inseguro sin ser detectados.
El artículo presenta MRIQT, un modelo de difusión condicional 3D que mejora la calidad de las imágenes de resonancia magnética ultra-baja de campo en neonatos mediante la transferencia de características anatómicas y la reducción de ruido, superando a los métodos anteriores y logrando una alta valoración clínica.
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.