4050 artículos
Este trabajo propone un modelo de fusión basado en aprendizaje profundo por conjuntos que combina las fortalezas de las CNN y los Vision Transformers para la clasificación de imágenes de teledetección, superando los cuellos de botella de rendimiento mediante la integración de cuatro modelos independientes y logrando una alta precisión en múltiples conjuntos de datos.
El artículo presenta Cog2Gen3D, un marco de difusión guiado por cognición 3D que integra representaciones semánticas y geométricas absolutas mediante un grafo de cognición latente para generar objetos 3D físicamente plausibles y estructuralmente racionales, superando a los métodos existentes en fidelidad semántica y coherencia geométrica.
El artículo presenta VS3R, un marco innovador que combina la reconstrucción 3D de frente con un modelo de difusión generativa para lograr una estabilización de video de todo el encuadre, robusta y de alta fidelidad, superando las limitaciones de los métodos existentes en escenarios de movimiento extremo.
El artículo presenta MACRO, un agente médico autoevolutivo que descubre y sintetiza herramientas compuestas a partir de experiencias previas para superar las limitaciones de los sistemas estáticos, mejorando así la precisión en la interpretación de imágenes médicas y la generalización entre dominios.
El artículo presenta TumorChain, un marco de razonamiento multimodal intercalado respaldado por un nuevo conjunto de datos a gran escala llamado TumorCoT, diseñado para mejorar la trazabilidad, la precisión y la interpretabilidad en el análisis clínico de tumores mediante la integración de imágenes 3D y razonamiento paso a paso.
El artículo presenta PatchCue, un nuevo paradigma que mejora el razonamiento de los modelos visuales-lingüísticos mediante el uso de pistas visuales a nivel de parche, las cuales se alinean mejor con la percepción humana y superan a los métodos basados en píxeles o puntos.
Este trabajo presenta MemSeg-Agent, un agente de segmentación médica que desplaza la adaptación del espacio de pesos al espacio de memoria mediante unidades de memoria estáticas, de pocos ejemplos y de tiempo de prueba, logrando un aprendizaje eficiente, una reducción significativa de la sobrecarga de comunicación en entornos federados y una robustez superior ante cambios de dominio sin necesidad de ajuste fino.
Este artículo presenta una evaluación sistemática de la síntesis de nuevas vistas en el reconocimiento de lugares en video, demostrando que las vistas sintéticas mejoran las estadísticas de reconocimiento, especialmente cuando se añaden en gran número, independientemente de la magnitud del cambio de perspectiva.
El artículo presenta CylinderSplat, un marco de trabajo feed-forward que utiliza una representación de triplanos cilíndricos y una arquitectura de doble rama para superar las limitaciones de distorsión y oclusión en la síntesis de nuevas vistas panorámicas mediante 3D Gaussian Splatting, logrando resultados de vanguardia tanto en escenarios de vista única como múltiple.
PixARMesh es un método autoregresivo que reconstruye escenas 3D completas a partir de una sola imagen RGB en una sola pasada, generando mallas coherentes y listas para uso artístico mediante la predicción conjunta de la disposición y la geometría de los objetos sin necesidad de optimización posterior.
El artículo presenta InnoAds-Composer, un marco de una sola etapa que mejora la generación de carteles de productos para el comercio electrónico mediante un control eficiente de tres condiciones (sujeto, texto y estilo), un módulo de mejora de características de texto para renderizar caracteres chinos con precisión y un nuevo conjunto de datos de referencia, superando a los métodos existentes sin aumentar significativamente la latencia de inferencia.
Este artículo propone tres técnicas de mitigación de sesgo —filtrado top-k, eliminación de conceptos sesgados y desviación adversaria— para mejorar la equidad en los Modelos de Embudo de Conceptos (CBM) sin sacrificar su interpretabilidad, logrando así un mejor equilibrio entre rendimiento y justicia en la clasificación de imágenes.
El artículo presenta CollabOD, un marco de detección colaborativo ligero diseñado para mejorar la identificación de objetos pequeños en imágenes de vehículos aéreos no tripulados (UAV) mediante la preservación de detalles estructurales, la alineación de características de múltiples escalas y un diseño optimizado para recursos limitados.
El artículo presenta Art3D, un nuevo marco de síntesis de disparidad artística que supera las limitaciones geométricas de los métodos actuales de conversión 2D a 3D al priorizar la coherencia estética y la intención creativa mediante una arquitectura de doble vía aprendida de datos cinematográficos profesionales.
El paper presenta Pano3DComposer, un marco eficiente de alimentación directa que genera escenas 3D composicionales de alta fidelidad a partir de una sola imagen panorámica mediante un predictor de transformación objeto-mundo y un mecanismo de alineación de lo grueso a lo fino, superando las limitaciones de optimización iterativa y campo de visión restringido de los métodos anteriores.
El artículo presenta CORE-Seg, un marco de aprendizaje por refuerzo que integra razonamiento cognitivo y segmentación mediante un adaptador de prompts guiado semánticamente, logrando resultados de vanguardia en la segmentación de lesiones complejas al superar las limitaciones de los modelos existentes en interpretabilidad lógica y precisión visual.
El paper presenta BlackMirror, un marco de detección de backdoors en modelos de texto a imagen bajo configuración de caja negra que, mediante los componentes MirrorMatch y MirrorVerify, identifica manipulaciones semánticas parciales mediante el análisis de desviaciones entre instrucciones y respuestas, superando las limitaciones de los métodos basados únicamente en similitud visual.
El artículo presenta el Rectified Flow Auto Coder (RAC), un modelo inspirado en Rectified Flow que reemplaza a los VAE tradicionales mediante un proceso de decodificación rectificado y bidireccional, logrando una mayor calidad de reconstrucción y generación con un costo computacional aproximadamente un 70% menor.
Este trabajo presenta RAID, un gran conjunto de datos anotados para la percepción del riesgo en conducción, y propone un marco de identificación de objetos de riesgo débilmente supervisado que, al modelar la relación entre las maniobras y las respuestas del conductor, supera significativamente a los métodos anteriores en la detección de fuentes de riesgo.
El artículo presenta TAR-ViTPose, un transformador de visión temporal que mejora la estimación de pose humana en video mediante la agregación de información temporal y la restauración de características, logrando mayor precisión y velocidad que los métodos existentes.