cs.CV artículos | Gist.Science

MOO: A Multi-view Oriented Observations Dataset for Viewpoint Analysis in Cattle Re-Identification

Este trabajo presenta MOO, un gran conjunto de datos sintético de reidentificación de ganado que captura 1.000 individuos desde 128 puntos de vista para analizar el impacto de la elevación, identificar un umbral crítico de generalización y validar la transferencia de priores geométricos sintéticos a aplicaciones del mundo real, superando así las limitaciones de los conjuntos de datos existentes en la reidentificación animal multi-vista.

William Grolleau, Achraf Chaouch, Astrid Sabourin + 2 more2026-03-05🤖 cs.AI

SPRINT: Semi-supervised Prototypical Representation for Few-Shot Class-Incremental Tabular Learning

El artículo presenta SPRINT, el primer marco de aprendizaje incremental de clases con pocos ejemplos (FSCIL) diseñado específicamente para datos tabulares, que aprovecha la abundancia de datos no etiquetados y un bajo costo de almacenamiento para lograr un rendimiento superior y una robustez transversal en dominios como la ciberseguridad y la salud.

Umid Suleymanov, Murat Kantarcioglu, Kevin S Chan + 6 more2026-03-05🤖 cs.AI

Scalable Evaluation of the Realism of Synthetic Environmental Augmentations in Images

Este trabajo presenta un marco escalable que demuestra que los modelos de IA generativa superan significativamente a los métodos de aumento basados en reglas para crear imágenes sintéticas realistas de condiciones ambientales adversas, validadas mediante métricas automatizadas que incluyen un jurado de modelos de visión-lingüística.

Damian J. Ruck, Paul Vautravers, Oliver Chalkley + 1 more2026-03-05🤖 cs.LG

Pointer-CAD: Unifying B-Rep and Command Sequences via Pointer-based Edges & Faces Selection

El artículo presenta Pointer-CAD, un marco de generación de modelos CAD basado en LLM que unifica las representaciones B-Rep y las secuencias de comandos mediante la selección de entidades geométricas mediante punteros, logrando así una mayor precisión topológica y una reducción significativa de errores de cuantización en comparación con métodos anteriores.

Dacheng Qi, Chenyu Wang, Jingwei Xu + 6 more2026-03-05💬 cs.CL

ArtHOI: Articulated Human-Object Interaction Synthesis by 4D Reconstruction from Video Priors

ArtHOI es el primer marco de trabajo *zero-shot* que sintetiza interacciones humano-objeto articuladas físicamente plausibles mediante la reconstrucción 4D de videos generados por difusión, superando las limitaciones de los métodos anteriores al recuperar la geometría y el movimiento sin necesidad de supervisión 3D.

Zihao Huang, Tianqi Liu, Zhaoxi Chen + 7 more2026-03-05💻 cs

Balancing Fidelity, Utility, and Privacy in Synthetic Cardiac MRI Generation: A Comparative Study

Este estudio compara arquitecturas generativas para la creación de resonancias magnéticas cardíacas sintéticas y concluye que los modelos de difusión, especialmente DDPM, ofrecen el mejor equilibrio entre fidelidad, utilidad clínica y privacidad, estableciendo un marco para la ampliación segura de datos médicos.

Madhura Edirisooriya, Dasuni Kawya, Ishan Kumarasinghe + 5 more2026-03-05🤖 cs.LG

Hold-One-Shot-Out (HOSO) for Validation-Free Few-Shot CLIP Adapters

El artículo presenta HOSO-Adapter, un método simple y sin validación que aprende la ratio de mezcla óptima para CLIP-Adapter mediante un conjunto de retención de una sola muestra, superando significativamente a los enfoques anteriores en escenarios de pocos ejemplos sin necesidad de conjuntos de validación adicionales.

Chris Vorster, Mayug Maniparambil, Noel E. O'Connor + 2 more2026-03-05💻 cs

Enhancing Authorship Attribution with Synthetic Paintings

Este estudio demuestra que la integración de imágenes sintéticas generadas mediante DreamBooth y Stable Diffusion mejora la precisión y la generalización de los modelos de clasificación para la atribución de autoría en pinturas, abordando así la escasez de datos reales.

Clarissa Loures, Caio Hosken, Luan Oliveira + 2 more2026-03-05🤖 cs.LG

Underrepresented in Foundation Model Pretraining Data? A One-Shot Probe

Este trabajo propone un método de una sola muestra que utiliza un modelo de lenguaje grande para generar descripciones contrafactuales y predecir con alta precisión (r=0.96) el rendimiento de cero disparos de los modelos fundacionales visión-idioma en dominios subrepresentados, permitiendo a los investigadores evaluar la necesidad de anotación de datos de manera eficiente y económica.

Chris Vorster, Mayug Maniparambil, Noel E. O'Connor + 2 more2026-03-05💻 cs

RANGER: Sparsely-Gated Mixture-of-Experts with Adaptive Retrieval Re-ranking for Pathology Report Generation

El artículo presenta RANGER, un marco de trabajo que utiliza una mezcla de expertos con puertas dispersas y una reordenación adaptativa de recuperación para generar informes de patología más precisos y semánticamente alineados, superando a los métodos existentes en el conjunto de datos PathText-BRCA.

Yixin Chen, Ziyu Su, Hikmat Khan + 1 more2026-03-05🤖 cs.AI

FocusGraph: Graph-Structured Frame Selection for Embodied Long Video Question Answering

El artículo presenta FocusGraph, un marco que mejora la respuesta a preguntas sobre videos largos egocéntricos mediante la selección de cuadros clave utilizando un selector ligero basado en descripciones de escenas y un método de retención de flujo disperso, logrando resultados de vanguardia con una menor latencia de inferencia.

Tatiana Zemskova, Solomon Andryushenko, Ilya Obrubov + 4 more2026-03-05💻 cs

Helios: Real Real-Time Long Video Generation Model

Helios es un modelo de generación de video autoregresivo de 14B que logra una inferencia en tiempo real y una generación estable de videos de larga duración en una sola GPU, superando a métodos anteriores mediante estrategias de entrenamiento innovadoras y optimizaciones de infraestructura sin depender de técnicas de aceleración o paralelismo convencionales.

Shenghai Yuan, Yuanyang Yin, Zongjian Li + 3 more2026-03-05💻 cs

TaxonRL: Reinforcement Learning with Intermediate Rewards for Interpretable Fine-Grained Visual Reasoning

El artículo presenta TaxonRL, un enfoque de aprendizaje por refuerzo que utiliza recompensas intermedias para descomponer el razonamiento visual en niveles taxonómicos jerárquicos, logrando una precisión superior a la humana y trazas de decisión interpretables en tareas de discriminación visual de especies.

Maximilian von Klinski, Maximilian Schall2026-03-05💬 cs.CL

ZipMap: Linear-Time Stateful 3D Reconstruction with Test-Time Training

El artículo presenta ZipMap, un modelo feed-forward con estado que utiliza entrenamiento en tiempo de prueba para lograr una reconstrucción 3D bidireccional en tiempo lineal, superando en velocidad a los métodos actuales sin sacrificar la precisión.

Haian Jin, Rundi Wu, Tianyuan Zhang + 4 more2026-03-05🤖 cs.AI

SimpliHuMoN: Simplifying Human Motion Prediction

El paper presenta SimpliHuMoN, un modelo transformer sencillo y versátil que logra resultados de vanguardia en la predicción de movimiento humano al unificar la predicción de trayectorias y poses mediante dependencias espaciales y temporales capturadas por mecanismos de autoatención, sin requerir modificaciones específicas para cada tarea.

Aadya Agrawal, Alexander Schwing2026-03-05🤖 cs.LG

Thought Flow Nets: From Single Predictions to Trains of Model Thought

Este artículo presenta las "Redes de Flujo de Pensamiento", un método inspirado en la dialéctica hegeliana que permite a los modelos iterar y corregir sus predicciones mediante un mecanismo de autocorrección, logrando así un rendimiento superior y una percepción más natural e inteligente tanto en tareas de respuesta a preguntas como en la interacción con usuarios humanos.

Hendrik Schuff, Heike Adel, Ngoc Thang Vu2026-03-04🤖 cs.LG

VQA-MHUG: A Gaze Dataset to Study Multimodal Neural Attention in Visual Question Answering

El artículo presenta VQA-MHUG, un nuevo conjunto de datos de mirada humana en tareas de respuesta visual a preguntas, y demuestra que, por primera vez, una mayor correlación entre la atención textual de los modelos neuronales y la humana predice significativamente un mejor rendimiento en esta tarea.

Ekta Sood, Fabian Kögel, Florian Strohm + 2 more2026-03-04💬 cs.CL

Multimodal Integration of Human-Like Attention in Visual Question Answering

El artículo presenta MULAN, el primer método que integra la atención humana multimodal (visual y textual) en modelos de Transformer para Visual Question Answering, logrando un rendimiento de vanguardia en el conjunto de datos VQAv2 con aproximadamente un 80% menos de parámetros entrenables que trabajos anteriores.

Ekta Sood, Fabian Kögel, Philipp Müller + 3 more2026-03-04💬 cs.CL

Leveraging Foundation Models for Content-Based Image Retrieval in Radiology

Este trabajo demuestra que los modelos fundacionales de visión, especialmente BiomedCLIP, pueden utilizarse como extractores de características versátiles y sin entrenamiento adicional para lograr un rendimiento competitivo en la recuperación de imágenes basada en contenido (CBIR) en radiología, abriendo el camino hacia sistemas de búsqueda médica generalistas.

Stefan Denner, David Zimmerer, Dimitrios Bounias + 8 more2026-03-04💻 cs

Implicit-Zoo: A Large-Scale Dataset of Neural Implicit Functions for 2D Images and 3D Scenes

El artículo presenta "Implicit-Zoo", un conjunto de datos a gran escala de funciones implícitas neuronales diseñado para superar las limitaciones computacionales y de recursos existentes, permitiendo avances significativos en tareas de clasificación de imágenes, segmentación semántica y regresión de poses 3D.

Qi Ma, Danda Pani Paudel, Ender Konukoglu + 1 more2026-03-04💻 cs

← Anterior Siguiente →