5561 artículos
HeroGS es un marco unificado que mejora la reconstrucción 3D bajo condiciones de vistas escasas mediante una guía jerárquica a nivel de imagen, características y parámetros para regularizar las distribuciones gaussianas y lograr una mayor fidelidad estructural y calidad de renderizado.
Este trabajo presenta ET-Turb, un conjunto de datos sintético a gran escala que introduce un modelo continuo de tiempo de exposición para la turbulencia atmosférica, permitiendo la generación de efectos de desenfoque más realistas y mejorando la generalización de los modelos de restauración de imágenes en comparación con métodos anteriores.
UETrack es un marco unificado y eficiente para el seguimiento de objetos individuales que supera las limitaciones de los métodos existentes al manejar múltiples modalidades (como RGB, profundidad, térmica, eventos y lenguaje) mediante un mecanismo de mezcla de expertos y una estrategia de destilación adaptativa, logrando un equilibrio superior entre velocidad y precisión en diversos benchmarks y plataformas de hardware.
El paper presenta FACE, un marco de autoencoder autoregresivo que genera mallas 3D de alta fidelidad a nivel de caras en lugar de vértices, logrando una compresión sin precedentes y una eficiencia superior sin sacrificar la calidad de la reconstrucción.
El artículo presenta InterCoG, un marco de razonamiento de cadena de anclaje intercalado que mejora la edición de imágenes de alta precisión en escenas complejas mediante un proceso de razonamiento espacial textual seguido de anclaje visual y reescritura de instrucciones, respaldado por el nuevo conjunto de datos GroundEdit-45K y una arquitectura de entrenamiento especializada.
El artículo presenta BiCAM, un método de mapeo de activación de clase bidireccional que mejora la interpretabilidad de los Vision Transformers al capturar tanto las contribuciones positivas como negativas para generar explicaciones más completas y detectar ejemplos adversarios sin reentrenamiento.
El artículo presenta PromptStereo, un método de correspondencia estéreo de cero disparos que utiliza una Unidad Recurrente de Prompts (PRU) para integrar señales de estructura monoculares y movimiento estéreo en la fase de refinamiento iterativo, logrando un rendimiento superior y una inferencia rápida al aprovechar modelos de profundidad monoculares fundacionales.
El artículo presenta Nano-EmoX, un modelo de lenguaje multimodal compacto de 2.2B parámetros que, mediante una jerarquía cognitiva de tres niveles y un marco de entrenamiento curricular llamado P2E, unifica seis tareas afectivas fundamentales para lograr un rendimiento de vanguardia en inteligencia emocional desde la percepción hasta la empatía.
SimRecon es un marco que logra la reconstrucción composicional de escenas complejas a partir de videos reales mediante un pipeline de "Percepción-Generación-Simulación" mejorado con módulos de optimización de viewpoint activo y síntesis de grafos escénicos para garantizar la fidelidad visual y la plausibilidad física.
El artículo presenta OnlineX, un marco de trabajo unificado que supera las limitaciones de los métodos de reconstrucción 3D actuales mediante una evolución de estado de "activo a estable" que permite la reconstrucción continua y en tiempo real de la apariencia visual y campos lingüísticos a partir de imágenes en flujo, resolviendo eficazmente el problema de la deriva acumulativa.
El artículo presenta HiFi-Inpaint, un marco de inpainting basado en referencias que utiliza una Atención de Mejera Compartida y una Pérdida Consciente de Detalles para generar imágenes de humanos y productos de alta fidelidad con preservación de detalles, respaldado por un nuevo conjunto de datos HP-Image-40K.
El artículo presenta TimeGS, un marco innovador que reformula el pronóstico de series temporales como un proceso de renderizado 2D mediante la proyección de secuencias futuras en una superficie latente continua utilizando kernels gaussianos anisotrópicos y mecanismos de continuidad cronológica para superar las limitaciones topológicas y de resolución de los métodos existentes.
El artículo presenta CamDirector, un nuevo marco para la edición de trayectorias de video que logra una coherencia temporal a largo plazo mediante un esquema de deformación híbrido y un modelo de difusión autoregresivo guiado por el historial, superando las limitaciones de los métodos existentes y estableciendo un nuevo estándar de rendimiento en el nuevo benchmark iPhone-PTZ.
El artículo presenta Social-JEPA, un enfoque donde agentes independientes que aprenden modelos del mundo desde diferentes perspectivas desarrollan espontáneamente espacios latentes geométricamente isométricos, lo que permite la transferencia transparente de capacidades y una mayor interoperabilidad sin necesidad de compartir parámetros ni coordinación durante el entrenamiento.
Este estudio presenta un marco de verificación multimodal para la identificación de animales que, al combinar un corpus masivo de 1,9 millones de imágenes con descripciones textuales sintéticas y una fusión gating óptima, logra una precisión del 84,28% y supera a los enfoques unimodales en un 11%.
El artículo presenta PDP, un marco novedoso para la detección incremental de objetos que utiliza un paradigma de desacoplamiento de prompts de doble piscina y un módulo de generación de pseudoetiquetas prototípicas para mitigar la degradación y deriva de los prompts, logrando así un rendimiento superior en los conjuntos de datos MS-COCO y PASCAL VOC.
El artículo presenta AutoFFS, un marco de aprendizaje automático que utiliza deformaciones adversarias para generar morfologías craneales contrapuestas y cuantitativas, optimizando así la planificación de la cirugía de feminización facial para pacientes transgénero.
Este trabajo presenta una evaluación sistemática de funciones de pérdida, arquitecturas y estrategias de post-entrenamiento para la clasificación de radiografías de tórax con distribución de clases de cola larga, logrando el quinto lugar en el desafío CXR-LT 2026 mediante el uso de LDAM-DRW y la arquitectura ConvNeXt-Large.
El artículo presenta HAMMER, un marco innovador que aprovecha los modelos de lenguaje grandes multimodales (MLLM) mediante una integración cruzada jerárquica y un módulo de elevación geométrica para lograr una localización precisa de la afección 3D basada en la intención de interacción, superando a los métodos existentes en precisión y robustez.
Este artículo demuestra que el mal acondicionamiento de la covarianza en las distribuciones intermedias de Flow Matching y Score-based Diffusion provoca un sesgo de optimización que estanca el aprendizaje, y propone mapas de precondicionamiento reversibles que redefinen la geometría del problema para mitigar este estancamiento y lograr modelos mejor entrenados.