1863 artículos
Este artículo presenta un marco de doble flujo para la segmentación de imágenes de aves que combina Grounding DINO 1.5 y YOLOv11 con el modelo SAM 2.1, logrando resultados de vanguardia tanto en modo cero disparos como supervisado al superar las redes de segmentación tradicionales sin necesidad de reentrenar el modelo de segmentación.
El documento presenta DOCFORGE-BENCH, el primer benchmark unificado de cero disparos para la detección de falsificaciones documentales, que revela que el principal obstáculo para el despliegue práctico no es la capacidad de discriminación de los modelos, sino una falla de calibración crítica causada por la baja proporción de píxeles alterados, la cual puede mitigarse mediante la adaptación del umbral sin necesidad de reentrenamiento.
El artículo presenta Pri4R, un enfoque que mejora los modelos de Visión-Lenguaje-Acción (VLA) al incorporar dinámicas del mundo mediante el aprendizaje de trayectorias de puntos 3D durante el entrenamiento, logrando así un control físico más preciso sin añadir sobrecarga computacional en la inferencia.
Esta revisión analiza el panorama de los procesadores de IA de ultra bajo consumo, comparando arquitecturas heterogéneas, aceleradores neuronales y diseños en el sensor, y valida empíricamente el rendimiento de tres plataformas representativas (GAP9, STM32N6 e IMX500) para demostrar la superioridad de la computación en el sensor en términos de eficiencia energética y latencia.
Granulon es un nuevo modelo de lenguaje multimodal basado en DINOv3 que supera las limitaciones de los encoders visuales actuales mediante un controlador de granularidad condicionado por texto y una agregación de tokens adaptativa, logrando un razonamiento unificado de nivel de píxel a concepto global que mejora la precisión y reduce las alucinaciones.
Este artículo presenta un marco de marca de agua nativo para la representación 3D Gaussian Splatting que, mediante un módulo de expertos y un mecanismo de seguridad, logra una robustez superior frente a distorsiones y una alta fidelidad visual, al tiempo que ofrece explicabilidad auditable sobre la selección de portadores de la información.
El artículo presenta VisionCreator-R1, un agente nativo de generación visual que incorpora mecanismos de reflexión explícita y un método de entrenamiento de co-optimización reflexión-plan (RPCO) para corregir errores en tiempo real, superando consistentemente a modelos como Gemini2.5Pro en tareas de generación de imágenes individuales y múltiples.
Esta investigación presenta un sistema inteligente de asignación de plazas de aparcamiento basado en visión por computadora y el modelo YOLOv8, que utiliza mapeo de perspectiva inversa para integrar vistas de múltiples cámaras y simular un entorno 3D que guía a los usuarios hacia espacios vacíos de manera eficiente y económica.
El artículo presenta MuCTaL, un marco de aprendizaje profundo ligero y generalizable entrenado con datos de cuatro tipos de cáncer que logra una localización precisa de tumores en imágenes de patología digital y demuestra capacidad de adaptación a tipos tumorales no vistos, como el adenocarcinoma pancreático.
HECTOR es un pipeline generativo que permite un control composicional fino en la generación de videos mediante referencias híbridas de imágenes y videos estáticos o dinámicos, junto con la especificación explícita de trayectorias para cada elemento.
Este artículo presenta un marco sistemático que demuestra mediante ataques de parche físicos en simulación CARLA que las arquitecturas de modelos visión-idioma (VLM) para conducción autónoma, como Dolphins, OmniDrive y LeapVAD, son severamente vulnerables a perturbaciones adversarias, revelando fallos críticos en la detección de objetos y patrones de vulnerabilidad específicos en cada diseño.
Este trabajo introduce la segmentación de consultas visuales (VQS) como un nuevo paradigma para localizar todos los objetos de interés a nivel de píxel en videos no recortados, presentando el benchmark VQS-4K y el método VQ-SAM, que supera a las técnicas existentes al extender SAM 2 mediante un marco de memoria adaptativa.
Este artículo propone adaptadores de decodificador de múltiples núcleos con puertas (MKGA) que, al combinar las fortalezas de las CNN y los ViT para preservar simultáneamente las texturas y las geometrías bajo desplazamientos de dominio entre centros, mejoran la robustez en la segmentación y el diagnóstico de malignidad en ecografías tiroideas multi-tarea.
El artículo presenta MedCBR, un marco de razonamiento basado en conceptos que integra guías clínicas y modelos de lenguaje-visión para mejorar la interpretabilidad y el rendimiento diagnóstico en imágenes médicas mediante la generación de narrativas clínicas estructuradas.
El artículo presenta el Reto de Gran Expresión Micro (MEGC) 2026, una iniciativa que introduce dos nuevas tareas de respuesta a preguntas visuales (ME-VQA y ME-LVQA) para evaluar la capacidad de los modelos de lenguaje y visión grandes en el análisis y razonamiento temporal de expresiones faciales micro en secuencias de video cortas y largas.
El artículo presenta TIDE, un método sin entrenamiento que mejora la extrapolación de resolución en los Transformadores de Difusión (DiT) mediante un mecanismo de anclaje de texto y un control dinámico de temperatura, logrando así generar imágenes de alta calidad en resoluciones y proporciones arbitrarias sin degradación estructural ni sobrecarga de muestreo.
Este estudio presenta un nuevo enfoque que utiliza modelos fundacionales de visión y lenguaje (Gemma 3 y Qwen3-VL) para generar configuraciones JSON de simulaciones de plantas a partir de imágenes de drones, demostrando su potencial para escalar la creación de gemelos digitales agrícolas mediante aprendizaje en contexto, aunque también revela limitaciones en la precisión de los parámetros biofísicos cuando faltan pistas visuales claras.
El artículo presenta PathoScribe, un marco unificado impulsado por modelos de lenguaje grandes que transforma los archivos de patología estáticos en una biblioteca viva y razonable, permitiendo la recuperación semántica, la construcción automatizada de cohortes y la integración clínica con una precisión y eficiencia significativamente superiores a los métodos tradicionales.
El artículo presenta BiCLIP, un marco sencillo y eficiente que mejora la adaptación de dominios en modelos de visión y lenguaje mediante una transformación geométrica canónica aprendida a partir de pocas muestras, logrando resultados de vanguardia en múltiples benchmarks.
Este artículo presenta el primer benchmark de aprendizaje continuo sin ejemplos para la segmentación audio-visual, junto con el modelo ATLAS que utiliza condicionamiento guiado por audio y anclaje de bajo rango para mitigar el olvido catastrófico en entornos dinámicos.