5475 artículos
El artículo presenta NeuCLIP, un marco de optimización novedoso que reformula la pérdida de contraste mediante análisis convexo y variacional para entrenar una red neuronal auxiliar que estima eficientemente la función de normalización, permitiendo un entrenamiento de modelos CLIP a gran escala con mayor precisión y sin depender de lotes masivos.
Este artículo presenta Scriboora, un marco unificado que identifica problemas de reproducibilidad en la predicción de poses humanas, demuestra que los modelos de lenguaje adaptados del procesamiento del habla superan el estado del arte y evalúa la robustez de estos modelos ante ruido realista mediante un nuevo conjunto de datos y ajuste fino no supervisado.
El artículo presenta MatPedia, un modelo generativo fundacional unificado que, mediante una representación conjunta RGB-PBR y arquitecturas de difusión de video, supera a los métodos existentes en la síntesis de alta fidelidad de materiales PBR para múltiples tareas como la generación y descomposición intrínseca.
El artículo presenta VideoChat-M1, un sistema multiagente que utiliza planificación colaborativa de políticas y aprendizaje por refuerzo multiagente para optimizar dinámicamente la invocación de herramientas en la comprensión de video, logrando un rendimiento superior al estado del arte en múltiples benchmarks.
El artículo presenta UniLight, una representación unificada de iluminación en un espacio latente compartido que alinea mediante aprendizaje contrastivo múltiples modalidades (texto, imágenes, irradiancia y mapas de entorno) para permitir la transferencia cruzada y la manipulación flexible de la iluminación en tareas como la recuperación, la generación de mapas y la síntesis de imágenes.
Este trabajo presenta el Corrector de Langevin Consistente con la Medición (MCLC), un módulo teórico y plug-and-play que estabiliza los solucionadores de problemas inversos basados en modelos de difusión latente al corregir la discrepancia entre la dinámica del solver y la difusión inversa aprendida mediante actualizaciones de Langevin consistentes con las mediciones.
Este artículo presenta WCC-Net, un marco de difusión 3D basado en wavelets que utiliza priores estructurales en el dominio de la frecuencia para mejorar el desruido de imágenes PET de cuerpo entero a baja dosis, logrando una mayor consistencia anatómica y rendimiento cuantitativo superior frente a métodos existentes.
Este estudio presenta un pipeline automatizado de detección de fracturas de columna cervical que, mediante la fusión de segmentaciones 2D ortogonales para estimar volúmenes 3D y su posterior análisis con modelos CNN-Transformer, logra un rendimiento diagnóstico comparable al de radiólogos expertos mientras reduce la dimensionalidad de los procesos intermedios.
Este trabajo presenta VRFT-Aug, un marco de ajuste fino por refuerzo visual diseñado para el dominio médico que, mediante estrategias de inyección de conocimiento previo, refinamiento de políticas y recompensas informadas, mejora significativamente tanto la percepción visual como el razonamiento estructurado en comparación con los métodos tradicionales.
El artículo presenta los resultados del Primer Concurso Internacional StepUP para el reconocimiento biométrico de pisadas, donde 23 equipos utilizaron el nuevo conjunto de datos StepUP-P150 para desarrollar modelos de aprendizaje profundo, logrando un mejor error igualado del 10,77% y destacando que, a pesar de los avances, la generalización ante cambios en el calzado sigue siendo un desafío crítico.
El artículo presenta VidEoMT, un modelo de segmentación de video basado únicamente en un codificador ViT que elimina la necesidad de módulos de seguimiento especializados mediante un mecanismo de propagación de consultas, logrando una precisión competitiva con una velocidad de procesamiento entre 5 y 10 veces superior a los métodos existentes.
El artículo presenta CASG, un marco de guía de seguridad adaptable y sin entrenamiento que resuelve los conflictos entre múltiples categorías de contenido dañino en modelos de difusión texto-a-imagen mediante la identificación dinámica de la categoría de riesgo más relevante y la aplicación de una dirección de seguridad alineada, logrando así una reducción significativa en la tasa de generación de contenido perjudicial.
Skullptor es un método híbrido que combina la predicción de normales de superficie multi-vista mediante atención cruzada con la optimización de renderizado inverso para lograr una reconstrucción 3D de alta fidelidad de cabezas en segundos, superando las limitaciones de detalle de los modelos de una sola imagen y la necesidad de costosas cámaras densas de la fotogrametría tradicional.
El artículo presenta MoMKD, un marco de destilación de conocimiento impulsado por una memoria actualizada con momento que supera las limitaciones de los métodos actuales al integrar información genómica e histopatológica a través de lotes, logrando así un rendimiento superior y una mejor generalización en tareas de diagnóstico de cáncer mediante inferencia basada únicamente en histología.
Este artículo propone un enfoque dinámico de mapeo para el reconocimiento visual de lugares que selecciona automáticamente la densidad del mapa necesaria para garantizar que un porcentaje específico del entorno cumpla con un nivel de recuperación local definido por el usuario, superando así las limitaciones de los métodos actuales que solo optimizan el rendimiento global.
El artículo propone SCR (Redistribución de Crédito Espacial), un método de inferencia sin entrenamiento que mitiga las alucinaciones en modelos de visión y lenguaje al corregir el colapso espacial de la atención mediante la redistribución de estados ocultos entre parches vecinos, logrando una reducción significativa de errores en múltiples benchmarks sin comprometer la calidad de generación ni la latencia.
El artículo presenta EvalMVX, un nuevo conjunto de datos del mundo real que incluye 25 objetos con mallas 3D de referencia y múltiples condiciones de iluminación, diseñado para evaluar y comparar de manera unificada métodos de reconstrucción 3D basados en estereovisión multivista, fotometría multivista y forma a partir de polarización.
Este trabajo mejora el marco MambaBDA para la evaluación robusta de daños en edificios mediante la integración de pérdida focal, puertas de atención y un módulo de alineación, logrando ganancias significativas en el rendimiento tanto dentro como fuera del dominio en diversos desastres naturales.
Este trabajo presenta un estudio unificado que examina sistemáticamente la relación entre el parámetro de temperatura y otros componentes del entrenamiento en la destilación de conocimiento, identificando situaciones clave para guiar a los practicantes en su selección óptima.
El marco ITO mejora el aprendizaje de representaciones visuales mediante la alineación múltiple multimodal y una fusión ligera durante el entrenamiento que elimina la brecha entre modalidades y estabiliza el proceso, todo ello sin comprometer la eficiencia en la inferencia.