5561 artículos
El paper presenta Uni-CoT, un marco de razonamiento de cadena de pensamiento unificado que combina comprensión y generación de imágenes mediante una estrategia de razonamiento de dos niveles para lograr un razonamiento multimodal coherente y eficiente con resultados de vanguardia en benchmarks de generación y edición de imágenes.
ImagiDrive es un marco unificado de imaginación y planificación para la conducción autónoma que integra un agente basado en Modelos de Lenguaje Visual con un imaginador de escenas basado en Modelos Mundiales de Conducción, permitiendo refinar iterativamente las decisiones de trayectoria mediante la generación y evaluación de escenarios futuros, lo que demuestra un rendimiento superior en los conjuntos de datos nuScenes y NAVSIM.
El artículo presenta CineTrans, un marco novedoso que utiliza modelos de difusión enmascarados y un nuevo conjunto de datos (Cine250K) para generar videos coherentes de múltiples planos con transiciones cinematográficas estables, superando las limitaciones de los métodos actuales mediante un mecanismo de control basado en máscaras que funciona sin entrenamiento adicional.
El artículo presenta MOON, el primer modelo generativo basado en MLLM para el aprendizaje de representaciones de productos en comercio electrónico, que aborda desafíos como el ruido de fondo y la alineación multimodal mediante un módulo MoE guiado y una estrategia de muestreo negativo, logrando un rendimiento competitivo en tareas de comprensión de productos y estableciendo un nuevo benchmark multimodal.
El artículo presenta NVG, un marco de generación de imágenes que descompone la imagen en una secuencia estructurada de granularidad visual progresiva, desde el diseño global hasta los detalles finos, logrando un rendimiento superior al de VAR en la generación condicional de clases en ImageNet.
El artículo presenta ARMed, un nuevo marco de aprendizaje por refuerzo que mitiga el colapso de recompensas semánticas mediante una combinación de ajuste supervisado con cadenas de pensamiento y recompensas adaptativas, logrando así un razonamiento médico abierto más preciso y generalizable en modelos de visión y lenguaje.
Los autores proponen un marco de aprendizaje multimodal desentrelazado que integra histología y transcriptómica mediante la separación de subespacios tumorales y del microambiente, la alineación de señales a múltiples escalas y la distilación de conocimiento, superando así las limitaciones de heterogeneidad y dependencia de datos apareados para mejorar el diagnóstico y pronóstico del cáncer.
El artículo presenta TADSR, una red de difusión de un solo paso que utiliza codificadores VAE y una función de pérdida VSD conscientes del tiempo para alinear dinámicamente los priores generativos de un modelo preentrenado con diferentes pasos temporales, logrando así un estado del arte en superresolución de imágenes reales con un equilibrio controlable entre fidelidad y realismo.
FastAvatar es un marco unificado y rápido que utiliza un Transformador de Reconstrucción Gaussiana Grande (LGRT) para reconstruir modelos 3D de alta calidad en segundos a partir de grabaciones diarias diversas, permitiendo una mejora incremental de la calidad sin desperdiciar datos de entrada.
El artículo propone GACD, un método de inferencia basado en gradientes que mitiga las alucinaciones en modelos multimodales al estimar y suprimir sesgos textuales y visuales espurios sin necesidad de ajuste fino ni modelos auxiliares.
El artículo presenta RTGMFF, un marco innovador que combina la generación de texto a nivel de regiones de interés (ROI) con la fusión de características multimodales mediante un codificador híbrido y un módulo de alineación semántica para mejorar el diagnóstico de trastornos cerebrales a partir de imágenes fMRI, superando los métodos actuales en las bases de datos ADHD-200 y ABIDE.
Este trabajo presenta T2I-CoReBench, un nuevo benchmark exhaustivo y complejo diseñado para evaluar las capacidades de composición y razonamiento de los modelos de texto a imagen, revelando que, aunque la composición tiene limitaciones en escenarios densos, el razonamiento sigue siendo un cuello de botella crítico donde todos los modelos actuales fallan al inferir elementos implícitos.
El artículo presenta UniView, un modelo que mejora la síntesis de nuevas vistas a partir de una sola imagen al unificar características de imágenes de referencia seleccionadas mediante un modelo de lenguaje multimodal y un mecanismo de atención desacoplado, logrando así superar a los métodos actuales en la preservación de detalles y la reducción de distorsiones.
Este trabajo presenta un método mejorado para la estilización de escenas 3D que garantiza consistencia visual y de estilo entre múltiples vistas mediante un mecanismo de atención compartido basado en una referencia, y permite el control regional de estilos mediante una nueva función de pérdida basada en la distancia de Wasserstein.
El artículo presenta LADB, un marco semisupervisado que utiliza puentes de difusión alineados en un espacio latente compartido para lograr una traducción de dominio de alta calidad y controlable entre datos parcialmente emparejados, superando las limitaciones de los métodos no emparejados y reduciendo la necesidad de grandes conjuntos de datos anotados.
El artículo presenta TrueSkin, un dataset de 7299 imágenes que aborda los sesgos en el reconocimiento y generación de tonos de piel, demostrando que su uso mejora significativamente la precisión de los modelos existentes y fomenta la equidad en estas tareas.
El artículo presenta BWCache, un método libre de entrenamiento que acelera la generación de video mediante Transformers de Difusión al reutilizar dinámicamente características de bloques redundantes basándose en su similitud, logrando hasta un 6x de velocidad sin comprometer la calidad visual.
El artículo presenta Brain-HGCN, un marco de aprendizaje profundo basado en geometría hiperbólica que modela con alta fidelidad la jerarquía de las redes funcionales cerebrales mediante el modelo de Lorentz y mecanismos de atención con signo, logrando un rendimiento superior en la clasificación de trastornos psiquiátricos frente a los métodos euclidianos tradicionales.
Este trabajo presenta I2S, un marco ligero y en tiempo real que identifica usuarios de forma segura en entornos de realidad aumentada analizando poses de manos en 3D durante interacciones con objetos, logrando una precisión del 97,52% mediante el uso de características espaciales, cinemáticas y un nuevo descriptor llamado IHSE.
Este trabajo presenta GeoProto, un método de reconocimiento fino interpretable que mejora la coincidencia de prototipos al modelar la geometría intrínseca de las características visuales mediante mapas de difusión y una interpolación de Nyström diferenciable, superando así las limitaciones de las distancias euclidianas tradicionales.