5294 artículos
Este artículo propone el marco "Dual Tuning" para cuantificar cuándo el razonamiento es beneficioso en tareas multimodales, estableciendo un "límite de pensamiento" que desafía el paradigma de razonar para todo y guía estrategias de entrenamiento más eficientes.
SkillNet es una infraestructura abierta que crea, evalúa y conecta habilidades de IA a gran escala mediante una ontología unificada y un repositorio de más de 200.000 habilidades, logrando mejorar significativamente el rendimiento de los agentes al permitirles acumular y transferir conocimientos en lugar de reinventar soluciones.
Este artículo presenta un enfoque de aprendizaje profundo multi-modal que integra redes neuronales convolucionales 3D, datos de pose humana y detección de objetos mediante mecanismos de atención cruzada para mejorar la precisión en el reconocimiento de actividades diarias en entornos de asistencia ambiental para adultos mayores.
Este artículo presenta InverseNet, el primer benchmark transversal que demuestra cómo la desviación del operador físico degrada drásticamente el rendimiento de los métodos de aprendizaje profundo en la imagen compresiva, revelando que las arquitecturas condicionadas al operador y la calibración ciega son esenciales para recuperar la precisión perdida.
Este estudio analiza diversas estrategias de fusión y agrupamiento en modelos de aprendizaje profundo para la clasificación de Zonas Climáticas Locales utilizando datos de teledetección multimodal, demostrando que una arquitectura híbrida combinada con agrupación de bandas y fusión de etiquetas logra la mayor precisión y mejora la predicción de clases subrepresentadas en el conjunto de datos So2Sat LCZ42.
El artículo presenta Dual-LoRA Controllable Diffusion, un marco unificado de difusión guiado por centroides que utiliza adaptadores LoRA especializados para lograr simultáneamente la finalización de estructuras locales y la síntesis global en imágenes de histopatología, superando a los métodos existentes en fidelidad estructural y realismo morfológico.
Este artículo presenta Partial Vision Mamba (PVM), un nuevo componente arquitectónico que adapta los principios de las convoluciones parciales a los Modelos de Espacio de Estado (SSM) como Mamba, permitiendo un procesamiento eficiente de datos con regiones inválidas en tareas como la completación de profundidad, la restauración de imágenes y la clasificación.
El artículo presenta PinPoint, un nuevo y exhaustivo benchmark para la recuperación de imágenes compuestas que aborda limitaciones existentes mediante la inclusión de múltiples respuestas correctas, negativos explícitos y pruebas de robustez, revelando deficiencias significativas en los métodos actuales y proponiendo una técnica de reordenamiento libre de entrenamiento basada en modelos de lenguaje multimodal para mejorar su rendimiento.
El artículo presenta SGR3, un marco de trabajo sin entrenamiento que utiliza modelos de lenguaje grandes multimodales y recuperación aumentada para generar gráficos de escenas 3D semánticos sin necesidad de reconstrucción explícita, logrando un rendimiento competitivo frente a modelos basados en redes neuronales gráficas.
Spinverse es un método de reconstrucción de microestructuras basado en física diferenciable que infiere interfaces celulares explícitas a partir de imágenes de resonancia magnética de difusión (dMRI) optimizando la permeabilidad de las caras de una malla tetraédrica mediante un simulador Bloch-Torrey, sin necesidad de modificar la conectividad de la malla ni asumir fronteras impermeables.
Este estudio demuestra que un enfoque multimodal que combina características visuales y textuales mediante el modelo GPT-4.1-nano predice con mayor precisión la dificultad de los ítems de alfabetización en visualización de datos para adultos estadounidenses en comparación con los enfoques unimodales.
Este trabajo propone el método sFRC (Correlación de Anillo de Fourier en parches pequeños y escaneo), una técnica robusta para detectar y cuantificar las alucinaciones en imágenes médicas restauradas mediante aprendizaje profundo y otros métodos, demostrando su eficacia en problemas de CT y MRI con datos submuestreados.
El artículo presenta PulseFocus, un método sin entrenamiento que mejora el razonamiento de modelos de visión y lenguaje en tareas con múltiples imágenes al corregir sus patrones de atención difusos mediante la estructuración de la generación de pensamiento en bloques de planificación y enfoque.
Este estudio realiza una evaluación sistemática de tres estrategias de compresión de redes neuronales (poda, cuantización y destilación de conocimiento) para la clasificación de imágenes hiperespectrales, demostrando que es posible reducir significativamente el tamaño y el costo computacional de los modelos manteniendo un rendimiento competitivo adecuado para su despliegue en plataformas con recursos limitados.
Este trabajo evalúa la viabilidad de los modelos de lenguaje multimodal para la detección de anomalías en vídeo en entornos reales, revelando que, aunque su rendimiento cero-disparo es inicialmente limitado por un sesgo conservador que reduce drásticamente la recuperación, el uso de instrucciones específicas puede mejorar significativamente la puntuación F1, aunque la recuperación sigue siendo un cuello de botella crítico.
El artículo presenta FOZO, un método de optimización de prompts sin retropropagación que utiliza estimación de gradiente de orden cero y estadísticas de características para lograr una adaptación eficiente y estable en tiempo de ejecución en dispositivos con recursos limitados, superando a los métodos basados en gradientes y demostrando robustez en modelos cuantizados.
Este artículo presenta Real-IISR, un marco autoregresivo unificado y el conjunto de datos FLIR-IISR para la superresolución de imágenes infrarrojas en condiciones reales, diseñado para abordar degradaciones ópticas y de sensores acopladas mediante una guía térmico-estructural y una consistencia de orden térmico.
Este comentario de panorama evalúa a la familia GPT-5 y revela que, aunque representa un avance significativo en el razonamiento clínico multimodal y supera a su predecesor en tareas textuales y de mamografía, su rendimiento moderado en neurorradiología y su inferioridad frente a modelos especializados en tareas perceptivas críticas indican que aún no puede sustituir a los sistemas diseñados específicamente para dominios altamente especializados.
Este artículo presenta la arquitectura GAMDSS, un método innovador que mejora el reconocimiento de microexpresiones mediante la reelección dinámica de fotogramas clave para corregir los sesgos de anotación humana, especialmente en escenarios multiculturales, sin aumentar la complejidad del modelo.
Este artículo presenta DSA-SRGS, el primer marco de *gaussian splatting* de superresolución para la reconstrucción dinámica de angiografía por sustracción digital (DSA) con vistas escasas, que integra aprendizaje de texturas multirresolución y densificación radiativa de subpíxeles para recuperar detalles vasculares finos y superar las limitaciones de desenfoque y aliasing de los métodos actuales.