4109 artículos
Este artículo presenta ICBench, un nuevo benchmark para diagnosticar la "ceguera lingüística" en modelos VLA que priorizan la visión sobre las instrucciones, y propone IGAR, un mecanismo de recalibración de atención sin entrenamiento que restaura la alineación lingüística y mejora la fiabilidad de los robots ante instrucciones contradictorias.
El artículo presenta RepKAN, una arquitectura innovadora que combina la eficiencia de las CNN con el poder de representación no lineal de las KAN para lograr una clasificación de imágenes de teledetección interpretable y de alto rendimiento.
El artículo presenta EffectMaker, un marco unificado de razonamiento y generación que, combinando un modelo de lenguaje multimodal con un transformador de difusión y un nuevo conjunto de datos masivo, permite la creación personalizada de efectos visuales de alta calidad sin necesidad de ajuste fino específico por efecto.
Este artículo presenta MOSIV, un nuevo marco que identifica parámetros de materiales continuos para múltiples objetos en videos mediante un simulador diferenciable y objetivos geométricos, superando a los métodos anteriores en precisión y fidelidad de simulación a largo plazo.
ViewFusion es un marco de dos etapas que mejora el razonamiento espacial multi-vista en modelos de visión-idioma mediante una pre-alineación deliberada de relaciones espaciales entre vistas y un razonamiento guiado por preguntas, logrando un rendimiento superior en benchmarks como MMSI-Bench.
El artículo presenta StruVis, un marco innovador que mejora la generación de imágenes a partir de texto mediante el razonamiento basado en representaciones visuales estructuradas en formato textual, superando las limitaciones de los enfoques existentes al ofrecer una guía visual eficiente y agnóstica al generador.
El artículo presenta Occlusion-Aware SORT (OA-SORT), un marco de seguimiento multiobjeto libre de entrenamiento y fácil de integrar que aborda la confusión posicional causada por oclusiones parciales mediante módulos específicos para analizar el estado de oclusión y estabilizar las estimaciones, logrando mejoras significativas en diversos conjuntos de datos.
Este trabajo aborda la complejidad computacional de los hipercolumnas densos mediante muestreo estratificado y aprendizaje por conjuntos, demostrando que un clasificador de regresión logística simple supera significativamente a la red U-Net en la segmentación de tumores cerebrales con muy pocos datos de entrenamiento.
El artículo presenta FontUse, un enfoque centrado en datos que mejora la generación de tipografía en imágenes mediante un conjunto de datos a gran escala con anotaciones automáticas que vinculan estilos tipográficos y casos de uso, permitiendo a los modelos existentes generar textos más fieles a las instrucciones sin modificaciones arquitectónicas.
El artículo presenta GvU, un marco de aprendizaje por refuerzo auto-supervisado que utiliza la capacidad de comprensión interna de los modelos multimodales unificados como recompensa intrínseca para cerrar la brecha entre su comprensión visual y su generación de imágenes.
El artículo presenta GenHOI, una ligera mejora para modelos de generación de video preentrenados que utiliza la inyección de objetos equilibrada temporalmente y selectiva espacialmente para lograr interacciones mano-objeto físicamente plausibles y consistentes en escenas complejas del mundo real.
El artículo presenta Curious-VLA, un marco de dos etapas que supera las limitaciones de políticas estrechas en los modelos VLA de conducción mediante la expansión de trayectorias factibles y un muestreo adaptativo, logrando así resultados de vanguardia en el benchmark Navsim al desbloquear el potencial exploratorio del aprendizaje por refuerzo.
Este estudio analiza las activaciones intermedias de modelos visión-lenguaje ligeros para identificar que sus fallos en escenarios de conducción autónoma se deben tanto a la falta de codificación lineal de ciertos conceptos visuales (fallo perceptual) como a la incapacidad de alinear la información visual presente con la semántica lingüística (fallo cognitivo), revelando además que la distancia del objeto degrada rápidamente la separabilidad de estos conceptos.
El artículo presenta TempoSyncDiff, un marco de difusión latente basado en destilación que genera cabezas parlantes impulsadas por audio con baja latencia y alta consistencia temporal, mitigando problemas como el parpadeo y la deriva de identidad mediante un enfoque maestro-alumno y condicionamiento basado en visemas.
Este trabajo presenta un pipeline que transforma registros históricos omnidireccionales de RGB y LiDAR en inicializaciones robustas para la representación 3D mediante Gaussian Splatting, superando desafíos de distorsión y sobrecarga computacional mediante conversión a cubemap, muestreo estratificado y registro global para generar gemelos digitales de alta fidelidad.
Este artículo propone la tarea de generación de rostros parlantes emocionalmente continuos (EC-TFG) y presenta el modelo TIE-TFG, que utiliza modelado de fluctuación emocional temporalmente intensiva para sintetizar videos realistas donde las expresiones faciales cambian de manera fluida y natural en sincronía con un texto y una descripción emocional variable.
Este artículo propone "Lyapunov Probes", un método basado en la teoría de estabilidad de sistemas dinámicos que utiliza redes ligeras entrenadas con restricciones de derivadas para detectar alucinaciones en modelos de lenguaje grandes identificando las regiones inestables donde estas suelen ocurrir.
DeepSight es el primer modelo de lenguaje multimodal dedicado a la comprensión de escenas en 3D que supera las limitaciones de los enfoques actuales al utilizar mapas de profundidad monocromáticos, un nuevo conjunto de datos instruido por IA y un codificador ViT modificado para mejorar significativamente el razonamiento espacial y la percepción de profundidad.
Este artículo propone un método de compresión de video neuronal que incorpora ruido de incentivo positivo para reutilizar cambios temporales de corto plazo, logrando una reducción del 73% en la tasa de bits frente a modelos generales mientras se mantiene la fidelidad a nivel de píxel en escenas estáticas.
El artículo presenta FedARKS, un nuevo marco de aprendizaje federado para la reidentificación de personas que supera las limitaciones de los métodos actuales mediante la selección e integración de conocimiento robusto y discriminativo, permitiendo capturar detalles locales invariantes al dominio y ponderar la contribución de los clientes según su calidad para mejorar la generalización y proteger la privacidad.