5064 artículos
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.
Este trabajo propone un método de optimización de texturas adversarias para objetos 3D que, mediante renderizado diferenciable y estrategias como la expectativa sobre transformaciones y un currículo de lo grueso a lo fino, supera las limitaciones de los parches 2D al mantener su eficacia contra políticas visuomotoras bajo vistas dinámicas y distancias variables.
Este artículo presenta un conjunto de datos específico y la adaptación de detectores 3D para la detección y seguimiento de personas desde la perspectiva de una grúa aérea con LiDAR, logrando alta precisión en un entorno industrial y cerrando la brecha de dominio con los conjuntos de datos de conducción estándar.
Este trabajo propone un marco de aprendizaje débilmente supervisado basado en prototipos que mejora la interpretabilidad y la fiabilidad del gradado automático del cáncer de próstata al imitar el proceso de razonamiento de los patólogos mediante la comparación de regiones sospechosas con ejemplos clínicamente validados.
El artículo presenta TimeWarp, un nuevo benchmark que evalúa la robustez de los agentes web frente a cambios en el diseño y la interfaz de usuario, y propone TimeTraj, un algoritmo que utiliza la destilación de planes en múltiples versiones para superar las limitaciones de los métodos actuales y mejorar significativamente el rendimiento de los modelos.
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.