4012 artículos
Este trabajo propone una descomposición funcional de anillo tensorial reparametrizada que utiliza representaciones neuronales implícitas y un análisis en el dominio de la frecuencia para superar las limitaciones de los métodos tradicionales, logrando así una recuperación superior de datos multidimensionales tanto en mallas como fuera de ellas.
El artículo presenta FastLightGen, un algoritmo que transforma modelos de generación de video grandes en versiones ligeras y rápidas mediante la distilación simultánea del tamaño del modelo y los pasos de inferencia, logrando un nuevo estado del arte en eficiencia sin sacrificar la calidad visual.
El artículo presenta VSearcher, un agente de búsqueda multimodal de largo alcance que, mediante un proceso de síntesis de datos y aprendizaje por refuerzo, transforma modelos estáticos en sistemas capaces de utilizar herramientas web en tiempo real, superando el rendimiento de modelos propietarios en tareas de búsqueda multimodal.
El artículo presenta "Think-as-You-See" (TaYS), un marco unificado que permite el razonamiento concurrente en modelos de lenguaje-visión grandes mediante la generación paralela de cadenas de pensamiento y mecanismos de atención adaptados a flujos de video, superando así a los enfoques por lotes e intercalados en rendimiento y velocidad de respuesta.
CoEditor++ es un marco de edición de imágenes basado en instrucciones y libre de entrenamiento que, mediante un razonamiento cognitivo estructurado en dos etapas y un mecanismo de autoselección reflexiva, logra un rendimiento superior en consistencia visual y seguimiento de instrucciones en comparación con modelos de código abierto y cerrado.
El artículo presenta RoboLayout, una extensión de LayoutVLM que genera diseños de escenas 3D semánticamente coherentes y físicamente viables para agentes encarnados mediante la integración de restricciones de alcanzabilidad diferenciables y un proceso de refinamiento local que adapta el entorno a las capacidades físicas de diversos agentes.
El artículo presenta Omni-C, un único codificador Transformer denso que comprime modalidades heterogéneas en representaciones compartidas mediante preentrenamiento contrastivo, logrando un rendimiento competitivo y una mayor eficiencia de memoria al eliminar la necesidad de arquitecturas complejas como la de expertos múltiples (MoE) o supervisiones emparejadas.
Este estudio presenta el primer marco de patología computacional multimodal, basado en un Transformer de inyección clínica y un MAE adaptado al dominio, que logra una alta precisión (90,1%) en la predicción del pronóstico de nefritis lúpica pediátrica utilizando únicamente biopsias teñidas con PAS y datos clínicos estructurados.
El artículo presenta SKETCHGAIT, un marco de reconocimiento de la marcha que introduce el nuevo modo visual "Sketch" para extraer estructuras densas y libres de etiquetas directamente de imágenes RGB, logrando un rendimiento superior al combinarlo con representaciones de parsing en un sistema multimodal jerárquico.
Este artículo presenta un pipeline de predicción de trayectorias impulsado por gemelos digitales para intersecciones urbanas V2X, que combina percepción cooperativa y una función de pérdida innovadora para generar trayectorias precisas, diversas y estrictamente conformes a las normas de tráfico y seguridad.
El artículo presenta AutoThinkRAG, un marco que mejora la respuesta a preguntas en documentos complejos mediante un enrutador de complejidad de consultas y una arquitectura de desacoplamiento funcional que combina un modelo visual pequeño con un LLM, logrando un rendimiento superior y menores costos de inferencia.
Este trabajo presenta BISE, una estrategia que identifica y extrae subredes libres de sesgo de modelos preentrenados convencionales mediante poda, logrando mitigar los sesgos algorítmicos sin necesidad de reentrenamiento ni datos adicionales.
Este artículo presenta "Thinking with Spatial Code", un marco que transforma videos RGB en representaciones 3D explícitas y coherentes mediante un codificador espacial y un ajuste fino con aprendizaje por refuerzo, logrando un nuevo estado del arte en razonamiento físico al superar a modelos de visión-lingüística propietarios en la prueba VSI-Bench.
Este trabajo presenta el primer marco de verificación de robustez acoplada para detectores de keypoints basados en mapas de calor, que mediante un programa lineal entero mixto garantiza la robustez conjunta de todas las keypoints al considerar sus interdependencias, superando así las limitaciones conservadoras de los métodos decoupled anteriores.
El artículo presenta DreamCAD, un marco generativo multimodal que produce modelos CAD editables (BRep) a partir de supervisión a nivel de puntos sin necesidad de anotaciones específicas, aprovechando millones de mallas 3D no anotadas y un nuevo dataset masivo de descripciones (CADCap-1M) para lograr un rendimiento superior en benchmarks existentes.
Este trabajo presenta ABRA, un nuevo enfoque de generalización de dominio que utiliza aumentos de representación adversaria para mitigar efectos de lote biológico en imágenes de cribado de alto contenido, logrando un estado del arte en la clasificación de perturbaciones de ARN de interferencia sin depender de conocimientos previos.
El artículo presenta el Estabilizador de Fusión Posterior (PFS), un módulo ligero que mejora la robustez de los detectores 3D multimodales existentes frente a cambios de dominio y fallos de sensores mediante la estabilización de características en la vista cenital, logrando un rendimiento superior sin requerir reentrenamiento ni modificar la arquitectura base.
El artículo presenta CBM-Suite, un marco metodológico que aborda las limitaciones fundamentales de los Modelos de Embudo de Conceptos (CBM) mediante una métrica de entropía para evaluar conceptos, una capa no lineal para resolver el problema de linealidad, una función de pérdida de destilación para cerrar la brecha de precisión y un análisis exhaustivo de los componentes del modelo, logrando así sistemas más precisos e interpretables.
Este artículo propone el FID interpolado (iFID), una métrica sencilla que interpola las representaciones latentes de un VAE y su vecino más cercano, logrando por primera vez una fuerte correlación con el FID de generación de modelos de difusión, a diferencia del FID de reconstrucción tradicional.
Este artículo propone el Recuento de Errores Implícito (IEC), un método de aprendizaje por refuerzo sin referencias que enumera y penaliza errores específicos en lugar de depender de rúbricas basadas en respuestas ideales, logrando así un rendimiento superior en la tarea de probador virtual donde existen múltiples soluciones válidas.