5486 artículos
El artículo presenta MPFlow, un marco de reconstrucción de resonancia magnética (MRI) sin entrenamiento previo que utiliza un flujo rectificado y una estrategia de preentrenamiento auto-supervisado para aprovechar modalidades de MRI complementarias durante la inferencia, logrando así una mayor fidelidad anatómica y una reducción significativa de alucinaciones en comparación con los métodos basados en difusión.
Este trabajo identifica y cuantifica el "sesgo de orden a espacio" (OTS), un fenómeno en modelos de generación de imágenes donde el orden de mención de entidades en el texto distorsiona incorrectamente su disposición espacial, proponiendo además estrategias de intervención temprana y ajuste fino para mitigarlo sin comprometer la calidad.
Este artículo presenta una arquitectura novedosa para la segmentación de superficies de vidrio que fusiona características visuales generales extraídas de un modelo DINOv3 congelado con características específicas aprendidas mediante un modelo Swin, logrando resultados de vanguardia en precisión y velocidad de inferencia en cuatro conjuntos de datos.
El artículo presenta QD-PCQA, un marco de adaptación de dominio no supervisado que mejora la evaluación de calidad de nubes de puntos sin referencia mediante una alineación condicional ponderada por rango y una augmentación de características guiada por calidad para transferir conocimientos perceptuales desde imágenes.
El artículo presenta PROSPECT, un agente de navegación unificado y en streaming que combina la comprensión semántica con la predicción latente de dinámicas espaciales mediante la fusión de características de CUT3R y SigLIP, logrando un rendimiento superior en tareas de navegación visión-lenguaje y demostraciones en robots reales.
DAGE es una arquitectura de transformador de doble flujo que separa la coherencia global de los detalles finos para estimar geometría y poses de cámara precisas y consistentes en secuencias de video de alta resolución, estableciendo nuevos récords en el estado del arte.
El artículo presenta WSI-INR, un marco novedoso basado en representaciones neuronales implícitas que supera las limitaciones de los métodos tradicionales de parches al modelar las imágenes de diapositivas completas como funciones continuas, logrando así una segmentación de lesiones más robusta y consistente en múltiples resoluciones.
El artículo presenta KFRA, un agente de razonamiento visual de granularidad fina potenciado por conocimiento que supera las limitaciones de los enfoques cerrados mediante un ciclo de razonamiento de tres etapas que integra detección, localización y razonamiento multimodal para lograr una interpretación basada en evidencia en escenarios de conjunto abierto.
DriveMVS es un marco novedoso de estereoscopía multi-vista para la conducción autónoma que utiliza observaciones LiDAR dispersas como prompts geométricos y un decodificador espaciotemporal para lograr una precisión métrica superior, consistencia temporal y generalización entre dominios.
Este artículo propone un marco de detección de objetos pequeños en fondos complejos que integra muestreo descendente con ondas de Haar residuales, modelado de relaciones globales y atención híbrida multiescala para preservar detalles finos y mejorar la precisión de localización, logrando un rendimiento superior en el benchmark RGBT-Tiny.
El marco TAP acelera la inferencia de los modelos de difusión sin necesidad de entrenamiento mediante un mecanismo de "sondeo-selección" que adapta dinámicamente un predictor de bajo costo a cada token basándose en su error proxy, logrando así grandes mejoras en velocidad con mínima pérdida de calidad.
Este artículo propone un esquema de reinicio adaptativo y selectivo, junto con un regularizador sensible a la importancia y un ajuste de adaptación en tiempo real, para mitigar el colapso del modelo y recuperar conocimientos esenciales durante la adaptación continua a largo plazo en pruebas.
El artículo presenta STAR, un método de preentrenamiento autoregresivo que utiliza separadores idénticos para extender significativamente la longitud de las secuencias de entrada en Vision Mamba, logrando un rendimiento competitivo del 83,5% en ImageNet-1k al aprovechar mejor las dependencias de largo alcance.
Este artículo presenta un marco de detección de objetos subacuáticos ligero y robusto basado en YOLOv10 que integra un módulo de mejora adaptativa, un mecanismo de atención secuencial de doble agrupación y una función de pérdida FGIoU, logrando un rendimiento superior en conjuntos de datos de referencia mientras mantiene una arquitectura compacta adecuada para entornos con recursos limitados.
Este artículo presenta un autoencoder cuantizado vectorialmente (VQAE) para comprimir las etiquetas suaves en la destilación de conjuntos de datos, logrando una reducción de almacenamiento de 30 a 40 veces en benchmarks como ImageNet-1K sin comprometer significativamente el rendimiento del modelo.
Este artículo presenta el método de Adaptación de Prompts Consciente de la Estructura (SPA), una técnica plug-and-play que mejora el aprendizaje cero-shot composicional de vocabulario abierto al aprovechar la consistencia de las estructuras locales semánticas para generalizar de conceptos vistos a no vistos mediante una pérdida de consistencia durante el entrenamiento y una estrategia de adaptación guiada en la inferencia.
Este paper introduce el marco AVAR para abordar el fenómeno de "Lazy Attention Localization" en la inicialización en frío de modelos multimodales, demostrando que guiar la atención visual durante el entrenamiento mejora significativamente el razonamiento multimodal sin necesidad de reentrenamiento costoso.
El artículo presenta FoundPS, un modelo fundacional universal para la fusión de imágenes pancromáticas y multiespectrales que supera las limitaciones de generalización de los métodos existentes mediante arquitecturas avanzadas como transformadores entrelazados y difusión latente, todo respaldado por un nuevo benchmark a gran escala llamado PSBench.
Este artículo presenta CWP-Net, una red que utiliza mecanismos de desentrelazado de wavelets y deconfusión causal para eliminar correlaciones espurias y estimaciones sesgadas, logrando así una restauración de imágenes todo-en-uno más efectiva y generalizable.
DeepScan es un marco de razonamiento visualmente fundamentado sin entrenamiento para modelos de lenguaje y visión grandes que, inspirado en la capacidad humana de localizar evidencia en entornos ruidosos mediante un escaneo jerárquico, enfoque y razonamiento mejorado, mejora significativamente el rendimiento en tareas visuales de granularidad fina sin costes de adaptación adicionales.