4807 artículos
Este trabajo presenta un marco de preentrenamiento con tareas conscientes de la ubicación que mejora la capacidad de los modelos de visión para detectar cambios clínicos sutiles en imágenes médicas, logrando un rendimiento superior en la respuesta a preguntas visuales sobre diferencias en radiografías de tórax.
El artículo presenta VisionPangu, un modelo multimodal compacto de 1.7B de parámetros que, mediante la alineación eficiente y el uso de descripciones humanas densas del conjunto de datos DOCCI, logra generar descripciones de imágenes detalladas y semánticamente coherentes sin depender de arquitecturas a gran escala.
Este artículo presenta un nuevo modelo de cámara que incorpora un efecto pseudo-perspectiva mediante un parámetro de contracción para mejorar la regresión de modelos 3DMM monocular en imágenes de primer plano, manteniendo la estabilidad de la proyección ortográfica tradicional.
El artículo presenta BiEvLight, un marco de aprendizaje multinivel que optimiza conjuntamente la eliminación de ruido en eventos y la mejora de imágenes en condiciones de poca luz mediante un prior guiado por gradientes y una formulación de optimización jerárquica, logrando así superar a los métodos actuales en el conjunto de datos SDE.
El artículo presenta 3D-RFT, un marco pionero que aplica el Aprendizaje por Refuerzo con Recompensas Verificables (RLVR) a la comprensión de escenas 3D basadas en video, optimizando directamente los modelos multimodales mediante funciones de recompensa derivadas de métricas de evaluación para lograr un rendimiento superior al estado del arte en tareas de percepción y razonamiento espacial.
El artículo presenta VideoHV-Agent, un marco multiagente que mejora la comprensión de videos largos reformulando la tarea como un proceso estructurado de generación y verificación de hipótesis, logrando así un rendimiento superior, mayor interpretabilidad y menor costo computacional al evitar la deriva semántica.
Este trabajo presenta Wallaroo, un modelo autoregresivo sencillo que unifica la comprensión, generación y edición multimodal mediante predicción de tokens siguientes, soportando múltiples resoluciones e idiomas, y demostrando un rendimiento competitivo en diversos benchmarks.
TAPFormer es un marco basado en transformadores que logra un seguimiento robusto de puntos arbitrarios mediante una fusión asíncrona transitoria de frames RGB y flujos de eventos, superando a los métodos existentes en precisión y adaptabilidad bajo condiciones de iluminación y movimiento diversas.
El artículo presenta MultiGO++, un marco innovador para la reconstrucción 3D de humanos vestidos a partir de una sola imagen que supera las limitaciones de los métodos existentes mediante una colaboración efectiva entre geometría y textura, lograda a través de una síntesis de texturas multi-fuente, un módulo de extracción de forma consciente de regiones y una red de reconstrucción dual.
Este trabajo presenta Lens2Zernike, un marco de aprendizaje profundo consistente con la física que recupera ciegamente parámetros ópticos a partir de una sola imagen borrosa mediante una estrategia de supervisión multi-tarea en tres dominios ópticos, logrando una recuperación de detalles difractivos superior a los métodos existentes.
Este trabajo presenta un estudio a gran escala sobre la Restauración de Imágenes Generativa (GIR) que, mediante una nueva evaluación multidimensional, revela un cambio de paradigma en los modos de fallo (de la escasez a la sobre-generación de detalles) y propone un nuevo modelo de calidad de imagen alineado con la percepción humana para guiar el desarrollo futuro del campo.
El artículo presenta Tell2Adapt, un marco unificado de adaptación de dominio no supervisado sin fuente que aprovecha un modelo fundacional de visión para mejorar la segmentación de imágenes médicas mediante la regularización de prompts contextuales y el refinamiento de plausibilidad visual, logrando un rendimiento superior en múltiples objetivos anatómicos y dominios.
Este artículo presenta Semap, un nuevo conjunto de datos de referencia, y un marco de segmentación semántica multiscale que demuestra ser generalizable y robusto para procesar colecciones de mapas históricos heterogéneos, superando las limitaciones de los modelos especializados actuales.
Este trabajo propone IRTTA, un método de adaptación en tiempo de prueba que mejora la segmentación de imágenes de tomografía de coherencia óptica y proporciona estimaciones de incertidumbre aprovechando las representaciones intermedias del proceso de reconstrucción mediante un modulator network que ajusta los parámetros de normalización de una red de segmentación congelada.
El paper presenta CoIn3D, un marco generalizable para la detección 3D de objetos con múltiples cámaras que supera las limitaciones de generalización en configuraciones no vistas al integrar explícitamente priores espaciales mediante modulación de características sensible al espacio y aumento de datos consciente de la cámara.
Este artículo presenta CLIP-PZSL, un nuevo marco de aprendizaje cero-shot impulsado por CLIP que aborda el problema de las etiquetas ambiguas mediante la minería semántica y una pérdida parcial que identifica progresivamente las etiquetas verdaderas para mejorar la alineación entre instancias y etiquetas.
Este estudio presenta un sistema avanzado de detección de luces azules de emergencia mediante un conjunto de cuatro cámaras de gran angular y el modelo RT-DETR mejorado con un bloque de atención al color, logrando una alta precisión y estimación de ángulos de aproximación para reforzar la seguridad vial y los sistemas ADAS.
El artículo presenta MI-DETR, un modelo de detección de objetivos infrarrojos pequeños que integra bioinspiración mediante un mapa de movimiento basado en autómatas celulares y una interconexión de vías parvocelular y magnocelular para lograr un rendimiento superior en múltiples conjuntos de datos sin necesidad de etiquetas de movimiento adicionales.
Este artículo presenta UniM, el primer benchmark unificado de 31.000 instancias de alta calidad para evaluar la capacidad de los modelos de lenguaje multimodal grandes de comprender y generar entradas y salidas arbitrariamente intercaladas en siete modalidades, junto con una suite de evaluación y un modelo base agéntico para abordar este desafío.
MoRe es un transformador de reconstrucción 4D feed-forward eficiente que recupera escenas dinámicas a partir de videos monoculares mediante una estrategia de atención forzada para separar el movimiento de la estructura estática y una atención causal agrupada para garantizar coherencia temporal.