4144 artículos
El artículo presenta CLoPA, una estrategia de adaptación continua que ajusta una pequeña fracción de los parámetros de nnInteractive durante el flujo de trabajo de anotación, logrando un rendimiento experto en tareas de segmentación médica diversa con solo un episodio de entrenamiento y sin modificar la infraestructura existente.
El artículo presenta WanderDream, el primer conjunto de datos a gran escala que permite a los agentes realizar razonamiento situado mediante la simulación mental de trayectorias futuras sin necesidad de exploración física activa, superando así limitaciones de seguridad y físicas en entornos reales.
El artículo presenta CaTok, un tokenizador de imágenes causal unidimensional que utiliza un decodificador MeanFlow y una regularización REPA-A para lograr una tokenización visual causal eficiente, estable y de alta fidelidad, superando a los métodos actuales en la reconstrucción de imágenes de ImageNet.
Pinterest presenta "Canvas", un sistema de generación de imágenes a gran escala que, en lugar de depender de un modelo genérico, utiliza un modelo base de difusión multimodal que se ajusta rápidamente a conjuntos de datos específicos para crear modelos especializados que logran mejoras significativas en la participación de los usuarios y superan a modelos externos en tareas como la mejora de fondos y la ampliación de imágenes.
Este artículo analiza sistemáticamente el impacto de la ponderación de la pérdida y la parametrización en el entrenamiento de modelos de flujo, revelando cómo estas elecciones interactúan con la dimensionalidad de los datos, la arquitectura y el tamaño del conjunto para ofrecer orientaciones prácticas sobre las decisiones de diseño.
El estudio demuestra que los modelos fundacionales de visión y lenguaje poseen una rica representación geométrica continua en sus características congeladas que supera significativamente su capacidad de expresión textual, revelando que la limitación reside en el entrenamiento de la vía generativa y no en la representación subyacente, lo que permite extraer mediciones físicas precisas mediante sondas lineales ligeras sin necesidad de ajuste fino.
El artículo presenta GreenRFM, un marco de preentrenamiento eficiente en recursos para modelos fundamentales de radiología que, mediante un diseño de supervisión principista (MUST), logra un rendimiento superior y una generalización robusta con una fracción de los requisitos computacionales, desafiando así la noción de que el escalado masivo es indispensable.
El artículo presenta Match4Annotate, un marco ligero que propaga anotaciones de puntos y máscaras dentro y entre videos mediante la adaptación de una representación neuronal implícita a características DINOv3, logrando un rendimiento superior en la propagación inter-video y ofreciendo una solución eficiente para la anotación escalable en dominios especializados como la imagen médica.
El artículo presenta "Self-Flow", un paradigma de flujo de autoaprendizaje que integra el aprendizaje de representaciones dentro del marco generativo mediante una programación de doble paso de tiempo, logrando una síntesis multimodal escalable y superior sin depender de modelos externos.
El artículo presenta SG-DOR, un marco de aprendizaje que utiliza grafos de escena con razonamiento de oclusión condicionado a la dirección para inferir relaciones físicas y de obstrucción en plantas de pimiento, mejorando así la planificación de la cosecha robótica en densos dosel.
Este estudio presenta un sistema de inteligencia artificial entrenado con más de 45.000 imágenes de ultrasonido que no solo diagnostica las hendiduras orofaciales fetales con una precisión comparable a la de radiólogos expertos, sino que también actúa como copiloto para mejorar la sensibilidad de los radiólogos junior y acelerar su formación clínica en entornos con escasez de especialistas.
Este artículo presenta SCAN, un marco universal basado en autoencoders y el principio de cuello de botella de información que genera mapas de alta resolución para proporcionar explicaciones visuales fieles y comparables tanto para arquitecturas CNN como Transformers, superando las limitaciones de los métodos actuales de IA explicable.
El artículo presenta AV-Unified, un marco unificado que integra múltiples tareas de comprensión de escenas audio-visuales mediante la conversión de entradas y salidas en secuencias de tokens discretos y el uso de módulos de percepción espacio-temporal multi-escala y guiada por modalidades cruzadas para lograr un aprendizaje conjunto efectivo.
Este artículo presenta un procedimiento de calibración espacial que estima el área de influencia y la sensibilidad relativa de cada píxel de un LiDAR de tiempo de vuelo difuso en un plano de imagen RGB, permitiendo una alineación precisa mediante mapas de respuesta recuperados con un parche retroreflector escaneado.
Este trabajo presenta NEGATE, un marco de entrenamiento libre que modela la negación lingüística en modelos de difusión texto-a-video como una restricción de viabilidad estructurada sobre la guía semántica, logrando una adherencia robusta a la negación sin reentrenar los parámetros del modelo.
El artículo presenta SurgFormer, un transformador multirresolución escalable que utiliza redes neuronales entrenadas con datos de solvers biomecánicos para predecir en tiempo real la deformación de tejidos blandos y las reseciones quirúrgicas en mallas volumétricas, ofreciendo un modelo unificado y eficiente para la simulación quirúrgica.
Este trabajo demuestra que la redundancia en los datos multisource y multimodales de vehículos autónomos es un factor de calidad medible y accionable, ya que eliminar selectivamente etiquetas redundantes mejora el rendimiento de detección de objetos sin comprometer la precisión.
El artículo presenta EgoReasoner, un marco de dos etapas que utiliza plantillas de pensamiento adaptativas y recompensas específicas para la tarea, permitiendo a un modelo de 3B parámetros entrenado con solo 16K muestras superar significativamente a modelos más grandes en tareas de razonamiento 4D egocéntrico al alinear la estructura de razonamiento y la señal de recompensa con las necesidades cognitivas de cada tarea.
El artículo presenta Penguin-VL, un modelo de lenguaje visual eficiente que supera a las arquitecturas tradicionales al reemplazar los codificadores visuales preentrenados con contraste por uno inicializado a partir de un LLM basado solo en texto, logrando un rendimiento superior en tareas de razonamiento y comprensión visual sin necesidad de escalar el tamaño del modelo.
El artículo presenta SUREON, un conjunto de datos a gran escala y dos modelos de visión-linguaje (SureonVLM y SureonVLM-R1) que aprovechan las narraciones de videos académicos quirúrgicos para entrenar sistemas de IA capaces de razonar sobre la intención, la seguridad y la anticipación en cirugías, superando significativamente a los modelos generales en tareas de percepción y razonamiento quirúrgico.