4070 artículos
FTSplat es un marco de trabajo de alimentación directa que genera superficies triangulares continuas y listas para simulación a partir de imágenes multivista en una sola pasada, superando las limitaciones de optimización por escena y la falta de geometría explícita de métodos anteriores como NeRF y 3DGS.
El artículo presenta OD-RASE, un marco basado en ontologías y modelos de lenguaje visual que identifica proactivamente estructuras viales peligrosas y genera propuestas de mejora para aumentar la seguridad de los sistemas de conducción autónoma.
Este artículo presenta una Red de Enmascaramiento Residual que combina redes residuales profundas con una arquitectura tipo Unet para mejorar el reconocimiento de expresiones faciales mediante un mecanismo de atención que refina los mapas de características, logrando así un rendimiento de vanguardia en los conjuntos de datos FER2013 y VEMO.
El artículo presenta SLER-IR, un marco de restauración de imágenes todo-en-uno que utiliza un enrutamiento de expertos esférico por capas y una fusión de granularidad global-local para superar la interferencia de características y mejorar el rendimiento en diversas degradaciones.
Este artículo presenta un nuevo método robusto para la estimación de la inclinación en documentos escaneados mediante la proyección radial adaptativa del espectro de magnitud de Fourier, junto con la introducción del conjunto de datos DISE-2021 y una demostración de su superioridad frente a otros enfoques existentes.
El artículo presenta LucidNFT, un marco de optimización de preferencias basado en aprendizaje por refuerzo que aborda los problemas de fidelidad y colapso de ventajas en la super-resolución de imágenes reales mediante la introducción de un evaluador de consistencia robusto, una estrategia de normalización de ventajas desacoplada y un conjunto de datos a gran escala de degradaciones reales.
El artículo presenta E-AdaPrune, un marco de poda adaptativa impulsado por la energía que optimiza la eficiencia de los modelos de visión y lenguaje al asignar dinámicamente la cantidad de tokens visuales según la densidad de información de cada imagen, logrando mejoras en el rendimiento sin añadir parámetros entrenables.
El artículo presenta VINE, un marco unificado para la segmentación con pocos ejemplos que mejora la consistencia estructural y la discriminación de primer plano mediante un grafo espacial-visual y priores discriminativos, integrando características de ResNet y SAM para generar máscaras precisas incluso ante variaciones de perspectiva y apariencia.
El artículo presenta OVGGT, un marco de entrenamiento gratuito que permite la inferencia de geometría 3D en videos de flujo continuo de longitud arbitraria con un costo de memoria y computación constante, superando las limitaciones de los modelos existentes mediante el uso de una caché selectiva y una protección dinámica de anclajes para evitar la deriva geométrica.
Este artículo propone un marco de reconocimiento de objetos de vocabulario abierto que combina segmentación y reconocimiento mediante CLIP y una alternativa basada en CNN/MLP, logrando un rendimiento superior en tareas de detección sin necesidad de reentrenamiento complejo.
Este artículo presenta Skeleton-to-Image Encoding (S2I), un método innovador que transforma secuencias de esqueletos 3D en representaciones similares a imágenes para aprovechar modelos de visión preentrenados en el aprendizaje auto-supervisado de esqueletos, logrando así un formato unificado que mejora el rendimiento y la generalización en tareas de reconocimiento de acciones.
El artículo presenta CR-QAT, un marco de entrenamiento cuantizado que combina una optimización curricular progresiva y destilación de conocimiento relacional centrada en texto para mitigar la degradación de la alineación visión-idioma en la detección de objetos de vocabulario abierto bajo cuantización extrema de 4 bits, logrando mejoras significativas en los benchmarks LVIS y COCO.
PROBE es un descriptor de reconocimiento de lugares basado en LiDAR que, sin necesidad de aprendizaje, modela la ocupación en vistas aéreas como variables aleatorias de Bernoulli y utiliza una marginalización analítica para lograr una robustez ante traslaciones y generalización entre sensores, logrando un rendimiento superior entre los métodos no supervisados en múltiples conjuntos de datos.
El artículo presenta ProCap, un marco innovador que mejora la generación de descripciones de cambios visuales al reformular el modelado estático de pares de imágenes en una representación dinámica de procedimientos mediante un diseño de dos etapas que aprende y codifica la evolución temporal implícita entre imágenes.
El artículo presenta DynUAV, un nuevo benchmark para el seguimiento de múltiples objetos desde la perspectiva de drones que aborda las limitaciones de los conjuntos de datos existentes al introducir secuencias con movimientos agresivos, cambios drásticos de escala y desenfoque por movimiento, evaluando así la capacidad de los rastreadores actuales en condiciones adversas y complejas.
Este artículo presenta un marco de trabajo de doble rama con regularización Gram y una red de etiquetado específica para anime que minimiza directamente el desplazamiento de distribución entre los datos de entrenamiento y prueba, logrando así un estado del arte en colorización de bocetos de alta resolución y controlable.
Este trabajo presenta el primer estudio sobre la transferencia de políticas de visión-idioma-acción (VLA) a la cosecha real de fresas en invernadero, logrando un sistema de bucle cerrado con un 74% de éxito mediante el uso de sensores RGB, demostraciones teleoperadas y la adaptación de modelos como pi_0.5, sin depender de nubes de puntos de profundidad ni calibración geométrica explícita.
Este informe presenta un sistema de inspección óptica automatizada basado en arquitecturas de aprendizaje profundo (YOLOv8, ResNet-152 y EfficientNet-b4) para detectar defectos críticos en instrumentos quirúrgicos fabricados en Pakistán, utilizando un conjunto de datos de 4.414 imágenes y colaborando con líderes de la industria local para mejorar la seguridad del paciente y la calidad de fabricación.
El artículo presenta MM-ISTS, un marco multimodal que utiliza modelos de lenguaje grandes de visión y texto para mejorar la predicción de series temporales muestreadas irregularmente mediante la integración de representaciones temporales, visuales y textuales, un mecanismo de codificación en dos etapas y un módulo de alineación multimodal.
El artículo presenta RePer-360, un marco de auto-modulación consciente de la distorsión que adapta modelos de profundidad fundacionales entrenados en imágenes perspetivas al dominio panorámico de 360° preservando sus conocimientos previos mediante un módulo de guía geométrica y un mecanismo de auto-condicionamiento, logrando así un rendimiento superior con solo el 1% de los datos de entrenamiento.