5332 artículos
El artículo presenta Diff-ES, un marco de poda estructural para modelos de difusión que utiliza una búsqueda evolutiva para optimizar automáticamente los programas de dispersión por etapas y emplea enrutamiento de pesos eficiente en memoria, logrando así aceleraciones significativas sin sacrificar la calidad de generación.
El artículo presenta BLINK, un modelo de espacio de estados recurrente basado en trayectorias que aprende la dinámica latente de las interacciones entre células NK y tumorales para predecir y pronosticar la citotoxicidad y organizar los comportamientos celulares en modos coherentes.
El artículo presenta UniPAR, un marco unificado basado en Transformers que supera las limitaciones de los enfoques actuales al permitir que un único modelo procese simultáneamente datos heterogéneos (RGB, video y flujos de eventos) de múltiples conjuntos de datos, logrando un rendimiento comparable al estado del arte y una mayor robustez en entornos extremos mediante una estrategia de fusión profunda tardía.
El artículo presenta SRasP, un método novedoso de perturbación adversarial de estilo que utiliza orientación automática y optimización multiobjetivo para mitigar la inestabilidad de los gradientes y mejorar la generalización en el aprendizaje de pocos ejemplos entre dominios.
Este artículo propone un marco de inferencia adaptativa para modelos de visión-lenguaje-acción que, inspirado en la cognición humana, clasifica dinámicamente la complejidad de la tarea mediante un detector basado en visión para decidir cuándo actuar, razonar o abstenerse, logrando así una asignación eficiente de recursos y una mayor seguridad operativa.
El artículo presenta SSR-GS, un marco innovador que mejora la reconstrucción de superficies brillantes mediante la separación de reflexiones especulares directas e indirectas y la integración de priores geométricos visuales para lograr un rendimiento superior en la síntesis de nuevas vistas.
El estudio demuestra que el recorte de los pulmones mediante cuadros delimitadores es una estrategia eficaz para reducir el aprendizaje de atajos raciales en modelos de diagnóstico de radiografías de tórax sin comprometer su precisión diagnóstica.
Este artículo presenta un método para la calibración de cámaras genéricas utilizando imágenes borrosas, que estima simultáneamente la ubicación de las características y las funciones de dispersión del punto mediante restricciones geométricas y un modelo de iluminación paramétrico local para resolver la ambigüedad traslacional.
El paper presenta Mario, un marco unificado que permite el razonamiento en grafos multimodales mediante grandes modelos de lenguaje al abordar la consistencia intermodal y la preferencia heterogénea de modalidades a través de un diseño de modelo visión-idioma condicionado por grafos y un ajuste de instrucciones adaptativo.
Logi-PAR es el primer marco de reconocimiento de actividades de pacientes que integra reglas diferenciables aprendidas y fusión de hechos contextuales para inferir riesgos mediante lógica explícita, ofreciendo explicaciones auditables y superando el estado del arte en benchmarks clínicos.
Este trabajo presenta el marco SCDL, un módulo plug-and-play que mitiga los sesgos de supervisión y representación en la segmentación semisupervisada de imágenes médicas mediante el aprendizaje de distribuciones de características condicionales a la clase, logrando mejoras significativas en el rendimiento, especialmente para clases minoritarias, en los conjuntos de datos Synapse y AMOS.
El artículo presenta SPyCer, una red neuronal semi-supervisada y guiada por principios físicos que utiliza imágenes satelitales y modelos de balance energético para estimar con mayor precisión y coherencia espacial la temperatura del aire cerca de la superficie, superando las limitaciones de las redes de sensores terrestres dispersos.
Este trabajo presenta un sistema robótico de clasificación textil impulsado por gemelos digitales que integra percepción multimodal y modelos de lenguaje visual para la detección de objetos extraños y la clasificación de prendas en entornos industriales automatizados, demostrando la viabilidad de esta tecnología mediante la evaluación de nueve modelos VLM en escenarios reales.
El artículo presenta ICHOR, un enfoque de aprendizaje auto-supervisado basado en autoencoders enmascarados que utiliza un vasto conjunto de datos de imágenes ASL para generar representaciones robustas y generalizables que superan a los métodos existentes en tareas de clasificación diagnóstica y predicción de calidad de mapas de flujo sanguíneo cerebral.
El artículo presenta CATNet, un marco adaptativo que mejora la percepción cooperativa mediante la sincronización de flujos asíncronos, la eliminación de ruido mediante transformadas wavelet y la selección dinámica de características para superar los desafíos de latencia temporal y ruido en entornos de tráfico complejos.
El artículo presenta Wiki-R1, un marco de aprendizaje por refuerzo basado en un currículo de generación de datos y muestreo que incentiva el razonamiento multimodal para la VQA basada en conocimiento, logrando nuevos resultados de vanguardia en los benchmarks Encyclopedic VQA e InfoSeek al cerrar la brecha entre el preentrenamiento y la distribución objetivo.
Este estudio demuestra que el rendimiento óptimo en la detección de cambios de distribución en Vision Transformers se logra combinando el análisis de capas intermedias y módulos específicos, donde la red feedforward es superior ante grandes desplazamientos de distribución y la atención multi-cabeza normalizada lo es ante desplazamientos débiles.
El artículo presenta WebChain, el conjunto de datos de código abierto más grande de trazas de interacción web anotadas por humanos, diseñado para acelerar la investigación reproducible en agentes web mediante un enfoque de alineación triple y una estrategia de entrenamiento dual que logra un rendimiento superior en benchmarks de interfaces gráficas.
El artículo presenta Fusion4CA, un método que mejora la detección 3D de objetos al explotar exhaustivamente la información visual mediante módulos de alineación contrastiva, una rama auxiliar de cámara y adaptadores cognitivos, logrando un rendimiento superior al estado del arte en el conjunto de datos nuScenes y en entornos lunares simulados con un aumento mínimo de parámetros.
El artículo presenta SpectralCache, un marco de caché sin entrenamiento que acelera la inferencia de los Transformadores de Difusión (DiT) mediante la gestión inteligente de errores a lo largo de las dimensiones temporal, de profundidad y de frecuencia, logrando una aceleración del 2,46x en FLUX.1-schnell manteniendo una calidad de imagen comparable a los métodos existentes.