4137 artículos
Este artículo presenta WAFL, un nuevo paradigma para la localización temporal de falsificaciones que transforma la tarea en una clasificación binaria a nivel de palabras mediante la alineación de características forenses y una pérdida asimétrica centrada en artefactos, logrando así un rendimiento superior con mayor eficiencia computacional.
Este trabajo presenta SSLA-Det, un modelo de detección de objetos basado en cámaras de eventos que utiliza la atención lineal espacialmente dispersa para lograr un estado de la técnica en precisión y reducir la computación por evento en más de 20 veces, resolviendo así el compromiso entre latencia y rendimiento en arquitecturas asíncronas.
El artículo presenta TaPD, un marco unificado y adaptable que utiliza destilación progresiva de conocimiento y un módulo de relleno temporal para mejorar significativamente la predicción de trayectorias en vehículos autónomos, especialmente cuando la información histórica de observación es variable o extremadamente corta.
El artículo presenta DC-Merge, un método de fusión de modelos que mejora el rendimiento al equilibrar la distribución de energía de los vectores de tarea y alinear sus geometrías direccionales en un subespacio ortogonal compartido, logrando así resultados de vanguardia en diversas tareas de visión y visión-idioma.
El artículo presenta HCF-RES, un marco multimodal innovador que logra resultados de vanguardia en la segmentación de referencias 3D generalizada mediante la descomposición semántica visual jerárquica y la fusión colaborativa progresiva para superar las limitaciones de las nubes de puntos dispersas.
El artículo presenta NOVA, un nuevo paradigma de autoregresión de vocabulario abierto que utiliza modelos de lenguaje grandes para reformular el seguimiento de múltiples objetos 3D como una tarea de generación de secuencias semánticas, logrando mejoras significativas en la generalización de categorías desconocidas y la consistencia de identidad en entornos de conducción autónoma.
El artículo presenta GazeMoE, un marco de trabajo novedoso basado en una mezcla de expertos que aprovecha modelos fundacionales de visión congelados y mecanismos de equilibrio de clases para lograr un rendimiento superior en la estimación del objetivo de la mirada humana a partir de imágenes visibles.
Este trabajo presenta ODD-SEC, un sistema de detección de drones en tiempo real diseñado para portadores móviles que utiliza una cámara de eventos giratoria y una representación de eventos novedosa sin compensación de movimiento para lograr una detección fiable y una estimación de acimut precisa en condiciones desafiantes.
El artículo presenta HiPP-Prune, un marco de poda estructurada jerárquica para modelos de visión y lenguaje que optimiza la asignación de recursos mediante un vector de preferencias del usuario y una señal de sensibilidad visual para lograr un equilibrio controlable entre la utilidad de la tarea, la robustez ante alucinaciones y la eficiencia de compresión.
El artículo presenta StrSR, un marco de destilación adversaria de un solo paso que utiliza regularización espectral y de trayectoria para superar las limitaciones de los métodos existentes y lograr un rendimiento superior en la super-resolución de imágenes del mundo real mediante transformadores de difusión.
Este artículo presenta OccNL, el primer benchmark para la predicción de ocupación semántica 3D bajo ruido de etiquetas, y propone DPR-Occ, un marco robusto que supera el colapso de los métodos existentes al generar supervisión fiable mediante razonamiento de etiquetas parciales de doble fuente, logrando así mejoras significativas en entornos dinámicos.
El artículo propone ADiVA, un enfoque de aprendizaje cero-shot generativo que supera las limitaciones existentes mediante la modelización de distribuciones de atributos para capturar variabilidad intraclase y un módulo de alineación semántico-visual guiada por la visión, logrando un rendimiento superior en benchmarks estándar.
El artículo presenta FlowMotion, un marco de transferencia de movimiento para video sin entrenamiento que utiliza directamente las predicciones latentes de modelos T2V basados en flujo para lograr una guía de movimiento eficiente y flexible, superando en rendimiento y ahorro de recursos a los métodos existentes.
Este artículo propone un método de eliminación de artefactos en imágenes 3D de CBCT dental mediante modelos de difusión basados en puntuación perpendicular que operan en el dominio de las proyecciones para preservar las correlaciones tridimensionales y mejorar la calidad de la imagen.
DEX-AR es un nuevo método de explicabilidad dinámica diseñado para modelos de visión-lingüística autoregresivos que genera mapas de calor 2D a nivel de token y secuencia mediante el filtrado dinámico de cabezas de atención y la agregación de explicaciones, logrando mejoras significativas en métricas de perturbación y segmentación.
El artículo presenta LTA, un ataque adversarial de transferencia que optimiza perturbaciones en el espacio latente de un modelo generativo preentrenado en lugar de en el espacio de píxeles, logrando así ejemplos adversarios más robustos, coherentes espacialmente y con mejor capacidad de transferencia entre diferentes arquitecturas.
El artículo presenta WMoE-CLIP, un método de aprendizaje de prompts para la detección de anomalías en cero shots que mejora la generalización mediante un autoencoder variacional, una descomposición por wavelets para capturar características multiespectrales y un módulo de expertos mixtos, logrando un rendimiento superior en 14 conjuntos de datos industriales y médicos.
El artículo presenta P-SLCR, un método no supervisado para la segmentación semántica de nubes de puntos que utiliza aprendizaje de estructura de prototipos y razonamiento consistente para lograr un rendimiento superior al de métodos totalmente supervisados como PointNet en conjuntos de datos como S3DIS.
Este estudio evalúa la capacidad de ChatGPT para generar pastiches de obras de arte contemporáneas, revelando mediante la participación de doce artistas que, aunque existen similitudes visuales, las creaciones de la IA carecen de dimensión, contexto e intención emocional, lo que demuestra la necesidad de utilizar métricas complementarias más allá de la simple transferencia de estilo.
El artículo presenta WorldCache, un marco de caché que acelera los modelos de mundo basados en difusión mediante la predicción de tokens heterogéneos guiada por curvatura y un salto adaptativo priorizado por caos, logrando una aceleración de hasta 3.7 veces manteniendo una alta calidad en las simulaciones.