5426 artículos
El artículo propone S²-Guidance, un método de mejora sin entrenamiento que utiliza el bloqueo estocástico de bloques para refinar las predicciones subóptimas de los modelos de difusión y superar el rendimiento de la Guía sin Clasificador (CFG) en tareas de generación de imágenes y videos.
Este artículo de concepto propone el Sistema de Detección Adaptativa de Cráteres Planetarios Cuantizado (AQ-PCDSys), una arquitectura que integra redes neuronales cuantizadas y fusión sensorial adaptativa para superar las limitaciones de memoria y potencia de los sistemas de exploración espacial autónoma.
El artículo presenta ROBUST-MIPS, un nuevo conjunto de datos que combina anotaciones de pose esquelética y segmentación de instancias de instrumentos quirúrgicos laparoscópicos para superar las limitaciones de datos anotados y facilitar el estudio comparativo de estos métodos en tecnologías de intervención asistida por computadora.
Los autores proponen un marco de poda de tokens ligero que preserva el índice, el cual elimina las regiones de fondo no informativas de las imágenes de documentos antes de procesarlas en modelos de visión y lenguaje, logrando así reducir significativamente los costos computacionales sin comprometer la precisión en la comprensión de documentos.
QDFlow es un paquete de código abierto en Python que simula dispositivos de puntos cuánticos mediante un modelo físico autoconsistente y módulos de ruido personalizables para generar datos sintéticos realistas con etiquetas de verdad absoluta, facilitando así el desarrollo y la validación de enfoques de aprendizaje automático en este campo.
Este artículo propone un bloque de conexión de salto dinámica (DSC) que supera las limitaciones de las redes tipo U en la segmentación de imágenes médicas mediante módulos de entrenamiento en tiempo de prueba y núcleos dinámicos multiescala para adaptar la fusión de características al contenido y a la escala global.
Este trabajo presenta el primer estudio y benchmark (ActiSeg-NL) sobre segmentación de objetos en video basada en acciones bajo ruido de etiquetas, introduciendo un nuevo mecanismo de cabezal de máscara paralelo y analizando estrategias de aprendizaje robustas para abordar el ruido en prompts textuales y anotaciones de máscaras.
Los autores presentan un solucionador local rápido y con certificado de optimalidad global para la estimación de forma y pose de objetos a nivel de categoría, el cual utiliza un modelo de forma activa lineal y un método de iteración de campo autoconsistente para resolver el problema en menos de un milisegundo.
Este artículo presenta el "Raw-JPEG Adapter", un pipeline preprocesamiento ligero e invertible que adapta imágenes en crudo para su compresión eficiente mediante JPEG, permitiendo una reconstrucción precisa y superando la fidelidad del almacenamiento directo en este formato.
El artículo presenta Vision-Zero, un marco de auto-juego multiagente libre de etiquetas que entrena modelos de visión y lenguaje mediante juegos estratégicos generados a partir de imágenes arbitrarias y una optimización iterativa de políticas, logrando mejoras sostenibles y un rendimiento superior en diversas tareas de razonamiento visual sin depender de verificación humana.
Este trabajo presenta un marco innovador para la edición de imágenes sin entrenamiento que formula el proceso como un problema de control óptimo de trayectorias, logrando un equilibrio superior entre la maximización de recompensas y la fidelidad a la imagen original sin recurrir a trucos de recompensa.
Este trabajo presenta una investigación integral sobre la generación y edición de visuales estructurados, que incluye la creación de un gran dataset con razonamiento, el entrenamiento de un modelo unificado basado en FLUX.1 y VLM, y el lanzamiento de StructBench y StructScore para evaluar la precisión factual, demostrando que la inferencia con razonamiento mejora significativamente el rendimiento frente a los sistemas existentes.
El artículo presenta TIGeR, un marco innovador que transforma los Modelos Visuales-Lingüísticos en "computadoras geométricas" mediante la integración de herramientas de cálculo externo y un nuevo dataset, logrando así una precisión a nivel de centímetro esencial para la manipulación robótica en el mundo real.
El artículo presenta ToMCLIP, un marco que mejora la alineación multilingüe en modelos visión-idioma mediante restricciones topológicas basadas en homología persistente, logrando una mayor coherencia estructural y un mejor rendimiento en tareas de recuperación y clasificación.
El artículo presenta COGS, un marco eficiente en datos que mejora las capacidades de razonamiento de los modelos de lenguaje multimodal en dominios como gráficos y documentos renderizados, mediante la síntesis de grandes conjuntos de datos de preguntas y respuestas a partir de semillas limitadas y el entrenamiento con recompensas de proceso a nivel de factores.
Este estudio demuestra que el rendimiento de la detección de distribuciones fuera de entrenamiento (OOD) basada en Mahalanobis depende críticamente de la geometría de las representaciones de características, identificando la estructura espectral y la dimensionalidad intrínseca local como predictores clave, y proponiendo una normalización radial escalada que optimiza la detección al modificar los radios de las características preservando sus direcciones.
Kaleido es un modelo de generación de video basado en múltiples imágenes de referencia que supera las limitaciones actuales en consistencia y fidelidad mediante un pipeline de construcción de datos optimizado y una nueva técnica de codificación posicional rotatoria (R-RoPE) para la integración de referencias.
Este artículo presenta el Predictor de Conceptos Guiado por Priors (PCP), un marco de aprendizaje débilmente supervisado que elimina la necesidad de anotaciones de conceptos explícitas al aprovechar priors a nivel de clase y mecanismos de refinamiento para lograr diagnósticos médicos interpretables con un rendimiento superior a los modelos basados en lenguaje cero-shot y comparable a los modelos totalmente supervisados.
Este artículo presenta un marco unificado que optimiza simultáneamente la geometría de mallas y los colores de los vértices mediante una renderización diferenciable guiada por Gaussianas, mejorando la reconstrucción 3D multi-vista para facilitar tareas de edición posteriores como el re-iluminado y la deformación.
Este artículo presenta un marco de concurrencia semántica consciente de bordes que utiliza un recodificado latente y diccionarios de bordes para fusionar de manera resiliente datos heterogéneos de eventos y RGB, logrando así una segmentación semántica superior en condiciones extremas.