5549 artículos
El artículo presenta Waffle, una nueva estrategia de ajuste fino que utiliza mecanismos de atención conscientes de la estructura y un enfoque de aprendizaje contrastivo para mejorar la capacidad de los modelos de lenguaje grandes en la generación de código HTML a partir de diseños de interfaz de usuario, logrando un rendimiento superior en las métricas de evaluación de benchmarks existentes y nuevos.
El artículo presenta RealOSR, un marco basado en difusión que utiliza la guía condicional en espacio latente y el módulo LaGAR para lograr una superresolución de imágenes omnidireccionales en escenarios reales con una calidad visual superior y una aceleración de inferencia de más de 200 veces en comparación con métodos anteriores.
El artículo presenta Slot-BERT, un modelo bidireccional auto-supervisado que descubre objetos en videos quirúrgicos largos mediante representaciones latentes coherentes y una pérdida de contraste de slots, superando a los métodos actuales y permitiendo una adaptación eficiente a cero disparos en diversos dominios quirúrgicos.
Este artículo presenta un marco innovador basado en una red meta-gráfica que permite el aprendizaje de representaciones en el espacio de pesos para NeRFs con arquitecturas diversas e inéditas, superando las limitaciones de enfoques anteriores al lograr un espacio latente agnóstico a la arquitectura mediante un objetivo de contraste.
Este trabajo presenta un enfoque novedoso de aprendizaje auto-supervisado basado en la consistencia de ciclos para la anotación semántica de células en imágenes de microscopía 3D de *C. elegans*, logrando una precisión comparable a los métodos supervisados y generando el primer atlas no supervisado de este organismo sin necesidad de anotaciones previas.
Este estudio propone una estrategia de defensa en una sola etapa basada en Redes Generativas Antagónicas (GAN) que protege de manera eficiente y agnóstica al modelo la clasificación de señales de tráfico en vehículos autónomos frente a ataques de parches adversarios, mejorando la precisión hasta un 90% en clases específicas y un 55% en general sin requerir conocimiento previo del diseño del parche.
Este trabajo presenta LaGoVAD, un nuevo paradigma y modelo de detección de anomalías en video que se adapta dinámicamente a definiciones variables mediante instrucciones de lenguaje natural bajo supervisión débil, respaldado por el lanzamiento de PreVAD, el conjunto de datos más grande y diverso hasta la fecha para esta tarea.
El artículo presenta SwD, un marco de destilación de difusión a escala que mejora la eficiencia del muestreo mediante la generación progresiva y un objetivo de distilación basado en la discrepancia máxima de media (MMD), logrando una velocidad de muestreo superior a la de los métodos existentes en modelos de texto a imagen y video.
Este trabajo presenta el primer marco integral para la estimación de poses humanas 2D con privacidad diferencial, combinando el descenso de gradiente estocástico proyectado y la privacidad diferencial de características para lograr un equilibrio óptimo entre protección de datos y rendimiento en el conjunto de datos MPII.
El artículo presenta ANSE, un marco de selección de ruido activo basado en la incertidumbre de la atención del modelo que mejora la calidad y la coherencia temporal en la generación de videos mediante la identificación de semillas óptimas con un costo computacional marginal.
El paper presenta SABER, el primer marco para generar objetos adversarios universales, no invasivos y espacialmente consistentes en 3D que degradan la detección de objetos BEV mediante la inserción de objetos renderizados en el entorno, exponiendo así las vulnerabilidades de los sistemas de conducción autónoma ante la manipulación del contexto.
Este artículo presenta la Coincidencia de Campos de Interacción (IFM), una generalización del modelo de Coincidencia de Campos Electrostáticos que supera sus limitaciones mediante el uso de campos de interacción inspirados en la física de partículas para mejorar la generación y transferencia de datos.
Este trabajo presenta HSSBench, un nuevo benchmark multilingüe con más de 13.000 muestras generadas colaborativamente que evalúa la capacidad de los modelos de lenguaje grandes multimodales para realizar razonamiento interdisciplinario en humanidades y ciencias sociales, un área donde los modelos actuales muestran deficiencias significativas.
El artículo presenta "Frame Guidance", un método sin entrenamiento que permite el control a nivel de cuadro en la generación de video mediante señales como fotogramas clave o bocetos, utilizando una optimización de latentes eficiente para lograr videos coherentes y de alta calidad sin necesidad de ajustar los modelos.
El artículo presenta Perception-R1, un enfoque que mejora las capacidades de razonamiento multimodal de los LLMs mediante la introducción de una recompensa de percepción visual que incentiva la precisión en la interpretación de imágenes, logrando un rendimiento superior con un conjunto de datos de entrenamiento reducido.
StreamSplat es un marco de trabajo totalmente feed-forward que permite la reconstrucción 3D dinámica en tiempo real a partir de flujos de video no calibrados mediante una representación de Splatting Gaussiano 3D, logrando una calidad de vanguardia y una aceleración de 1200 veces en comparación con los métodos basados en optimización.
El artículo presenta ECAD, un algoritmo genético que optimiza dinámicamente la reutilización de características en modelos de difusión para lograr aceleraciones significativas en la inferencia sin modificar los parámetros del modelo, manteniendo o mejorando la calidad de las imágenes generadas.
Este trabajo demuestra que la generación de imágenes sintéticas mediante modelos texto-a-imagen puede desbloquear priores visuales latentes y mejorar el razonamiento centrado en texto, aunque su eficacia depende críticamente de la alineación semántica, la capacidad de visualización de la tarea y la fidelidad del modelo generador.
El artículo presenta SceneStreamer, un marco autoregresivo unificado que genera escenarios de tráfico continuos y realistas mediante la predicción de grupos de tokens, permitiendo la simulación de larga duración con agentes dinámicos que mejora la robustez y generalización de los sistemas de conducción autónoma.
Este trabajo propone un programador de guía de recocido que ajusta dinámicamente la escala de guía en los modelos de difusión basándose en la señal condicional ruidosa, mejorando significativamente la calidad de las imágenes y su alineación con el texto sin requerir recursos adicionales de memoria o activaciones.