4749 artículos
El artículo presenta MASQuant, un nuevo marco de cuantización post-entrenamiento que aborda el desajuste de suavizado y la invariancia computacional entre modalidades mediante factores de suavizado específicos por modalidad y una compensación cruzada basada en SVD, logrando un rendimiento estable y competitivo en modelos de lenguaje grandes multimodales.
Este trabajo presenta la Reconstrucción Contrastiva de Difusión (DCR), un método que integra señales contrastivas derivadas de imágenes reconstruidas dentro del proceso de difusión para equilibrar la capacidad discriminativa y la percepción de detalles en las representaciones visuales de CLIP, superando así las limitaciones de enfoques anteriores.
Este trabajo presenta Meta-D, una arquitectura que aprovecha los metadatos categóricos de los escáneres para guiar la extracción de características y mejorar tanto la detección de tumores cerebrales como la segmentación ante la ausencia de modalidades de imagen, logrando aumentos significativos en las métricas de rendimiento y una reducción de parámetros.
Este trabajo demuestra que, al abordar las brechas de dominio mediante un conjunto de datos sintéticos de alta calidad basado en escaneos 3D reales y aumentos de datos conscientes del sensor, un modelo ligero entrenado con señales de polarización puede superar significativamente a los modelos fundacionales de visión basados únicamente en RGB en la estimación de normales de superficie, logrando un rendimiento superior con una fracción de los datos de entrenamiento y parámetros.
Este trabajo propone el marco CAD, que mitiga el enredo de instancias en el aprendizaje de etiquetas parciales dependientes de la instancia mediante regulaciones intra e interclase que refuerzan las características específicas de cada clase y penalizan las etiquetas ambiguas para mejorar la claridad de los límites entre clases.
Este trabajo propone SADCA, un ataque adversarial que mejora la transferibilidad en modelos de visión-lingüística mediante interacciones dinámicas contrastivas y aumento semántico para superar las limitaciones de los métodos existentes.
Este trabajo propone MPCAttack, un nuevo marco de ataque adversarial colaborativo que mejora la transferibilidad de ejemplos adversarios contra modelos de lenguaje grandes multimodales mediante la optimización conjunta de representaciones semánticas visuales y textuales para equilibrar los sesgos de representación y superar las limitaciones de los métodos existentes.
GloSplat es un marco que mejora la reconstrucción 3D mediante la optimización conjunta de pose y apariencia en el entrenamiento de 3D Gaussian Splatting, preservando rastros de características SfM explícitos como anclajes geométricos para evitar la deriva de pose y lograr un rendimiento superior tanto en variantes sin COLMAP como en las basadas en él.
Este trabajo aborda el desafío de la predicción de teoremas multi-paso mediante un enfoque libre de entrenamiento que utiliza Grafos de Precedencia de Teoremas para imponer restricciones topológicas explícitas, logrando una precisión del 89,29% en el benchmark FormalGeo7k y superando significativamente a los métodos de aprendizaje en contexto estándar.
Este trabajo presenta un pipeline de video monoculares basado en DreamPose3D que recupera métricas biomecánicas precisas de grabaciones de transmisión en vivo para realizar una detección escalable del riesgo de lesiones en lanzadores de béisbol, logrando un rendimiento comparable a los sistemas de captura de movimiento de estadio y demostrando su eficacia en la predicción de cirugías como la de Tommy John.
El artículo presenta SURE, un marco de coincidencia de características semidensas que mejora la fiabilidad en escenarios desafiantes al predecir simultáneamente correspondencias y su confianza mediante la modelización de incertidumbres aleatorias y epistémicas, superando así a los modelos existentes en precisión y eficiencia.
Este artículo presenta un marco llamado Generación de Ruido Impulsada por Prompts (PNG) que utiliza representaciones de ruido de alto nivel basadas en prompts para sintetizar imágenes ruidosas realistas en el espacio sRGB sin depender de metadatos de cámara, mejorando así la generalización y aplicabilidad en la eliminación de ruido del mundo real.
Este estudio demuestra que es posible predecir con un 80,4% de precisión el tipo de lanzamiento de béisbol analizando únicamente la cinemática 3D del cuerpo del lanzador, revelando que la mecánica del torso y la muñeca son los factores más determinantes y estableciendo un límite empírico para la información que puede obtenerse antes de que la pelota sea lanzada.
Este trabajo propone un marco novedoso de dos etapas para la generación automática de informes de tomografía computarizada que utiliza un aprendizaje contrastivo imagen-texto a nivel de estructuras anatómicas y una cola negativa dinámica para mejorar la precisión clínica y alcanzar un rendimiento de vanguardia.
El artículo presenta DeformTrace, un modelo innovador que combina dinámicas deformables y un mecanismo de tokens de relevo dentro de arquitecturas de Espacio de Estados (SSM) para lograr una localización temporal de falsificaciones en video y audio con mayor precisión, eficiencia y robustez que los métodos actuales.
Este trabajo presenta FedMEPD, un marco de aprendizaje federado que aborda la heterogeneidad intermodal y la necesidad de personalización en la segmentación de tumores cerebrales mediante codificadores específicos por modalidad y un decodificador de fusión parcialmente personalizado que utiliza anclajes globales y atención cruzada para compensar la falta de modalidades en los clientes.
El artículo presenta FedAFD, un marco unificado de aprendizaje federado multimodal que mejora el rendimiento personalizado y global mediante una estrategia de alineación adversaria, un módulo de fusión adaptable y un mecanismo de destilación guiado por similitud para abordar la heterogeneidad de datos y modelos.
Este trabajo presenta LocAtViT, una mejora sencilla para los Vision Transformers que incorpora un kernel gaussiano aprendible en la atención para priorizar detalles espaciales locales, logrando así un rendimiento superior en tareas de segmentación sin sacrificar la capacidad de clasificación global ni requerir cambios en el régimen de entrenamiento.
El artículo presenta FC-VFI, un método de interpolación de frames de video que utiliza modelos de difusión preentrenados con estrategias de modelado temporal y pérdidas específicas para generar videos de alta fidelidad y consistencia a 120 y 240 FPS, preservando tanto los detalles visuales como la coherencia del movimiento.
El artículo presenta AdaIAT, un método que mitiga las alucinaciones en los Modelos Grandes de Lenguaje y Visión (LVLM) mediante el aumento adaptivo de la atención hacia el texto generado, logrando así reducir significativamente las alucinaciones sin comprometer la coherencia lingüística ni provocar descripciones repetitivas.