5561 artículos
El artículo presenta SHINE, un marco de trabajo sin entrenamiento que aprovecha los priores físicos y de resolución de modelos de difusión modernos como FLUX para lograr composiciones de imágenes físicamente plausibles y de alta fidelidad, complementado con la introducción del nuevo benchmark ComplexCompo para evaluar condiciones complejas de iluminación y reflejos.
El artículo presenta QuadGPT, el primer marco autoregresivo que genera mallas cuadrangulares nativas de extremo a extremo mediante tokenización unificada y afinamiento con aprendizaje por refuerzo, superando significativamente a los métodos tradicionales de conversión de triángulos en cuadriláteros tanto en precisión geométrica como en calidad topológica.
DistillKac es un generador de imágenes rápido y estable que utiliza la ecuación de onda amortiguada y su representación estocástica de Kac para transportar masa de probabilidad a velocidad finita, permitiendo la generación de muestras de alta calidad en muy pocos pasos mediante una destilación de extremo a extremo y una guía libre de clasificadores en el espacio de velocidades.
Este trabajo propone un marco de evaluación abierto y escalable para la inteligencia emocional de los Modelos de Lenguaje Multimodal (MLLM) mediante una nueva tarea de juicio de enunciados emocionales y una tubería automatizada, revelando que, aunque estos modelos superan en la interpretación contextual, aún presentan brechas significativas frente a la subjetividad humana.
El artículo presenta COMPASS, un marco práctico que mejora la cuantificación de incertidumbre para métricas de segmentación médica al realizar la calibración directamente en el espacio de representaciones de las redes neuronales, logrando intervalos de predicción conformal más eficientes y robustos frente a cambios de covariables en comparación con los métodos tradicionales.
El artículo presenta CircuitSense, un benchmark jerárquico que evalúa la capacidad de los modelos de lenguaje multimodal grandes para comprender circuitos y deriva ecuaciones simbólicas a partir de diagramas técnicos, revelando una brecha crítica entre la percepción visual y el razonamiento matemático en el diseño de ingeniería.
Este trabajo presenta NeuroAdapter, un marco de decodificación visual que condiciona directamente un modelo de difusión latente en representaciones cerebrales para lograr una reconstrucción de imágenes competitiva y transparente, complementado por el marco interpretativo IBBI que analiza cómo las áreas corticales influyen en el proceso generativo.
El artículo presenta DiffInk, un marco innovador basado en transformadores de difusión latente que, mediante el uso de un VAE con regularización dual (InkVAE) y un modelo generativo (InkDiT), logra la primera generación eficiente y de alta fidelidad de líneas completas de escritura a mano en línea, disociando con precisión el contenido de los glifos del estilo del escritor.
El artículo presenta SMART-R1, un nuevo paradigma de ajuste fino por refuerzo inspirado en R1 que, mediante una optimización orientada a métricas y una estrategia de entrenamiento iterativa, logra el estado del arte en la simulación de tráfico multiagente al alcanzar la primera posición en el desafío WOSAC con una puntuación de realismo de 0.7858.
El artículo presenta EditReward, un modelo de recompensa de código abierto alineado con preferencias humanas y entrenado en un nuevo conjunto de datos de más de 200.000 pares, que supera a los modelos existentes en benchmarks de edición de imágenes y permite la selección de datos de alta calidad para entrenar modelos como Step1X-Edit.
Stylos es un marco innovador de un solo paso para la transferencia de estilo 3D que genera escenas gaussianas estilizadas y coherentes desde imágenes sin pose, utilizando una arquitectura Transformer con pérdidas de estilo 3D para lograr resultados de alta calidad sin optimización por escena.
Este artículo presenta CB, un nuevo benchmark multilingüe y multitarea basado en cómics diseñado para evaluar y desafiar las capacidades de conciencia cultural de los Modelos de Lenguaje Multimodales (MLLM) mediante tareas de dificultad progresiva que revelan una brecha significativa entre el rendimiento de la IA y el humano.
El artículo presenta LVTINO, un solucionador inverso cero-shot para la restauración de video de alta definición que utiliza Consistencia de Video (VCMs) para lograr reconstrucciones temporalmente coherentes y de alta calidad con alta eficiencia computacional, superando a los métodos anteriores basados en modelos de difusión de imágenes aplicados fotograma a fotograma.
DragFlow es un marco innovador que aprovecha los potentes priors de modelos DiT como FLUX mediante una supervisión basada en regiones y adaptadores de personalización, superando las limitaciones de las ediciones por puntos y estableciendo un nuevo estado del arte en la edición de imágenes por arrastre.
El artículo presenta ChainMPQ, un método sin entrenamiento que reduce las alucinaciones de relación en modelos de visión y lenguaje mediante una cadena intercalada de imágenes y texto guiada por preguntas de múltiples perspectivas que aprovechan memorias acumuladas para mejorar el razonamiento relacional.
El artículo presenta el VA-Adapter, un adaptador de visión-acción que integra modelos fundacionales de ultrasonido con la comprensión de estructuras 3D individuales para guiar eficazmente la colocación de la sonda en ecocardiografía, superando a modelos existentes con una fracción de los parámetros entrenados.
El artículo presenta TTOM, un marco sin entrenamiento que mejora la generación de videos compuestos mediante la optimización en tiempo de prueba y un mecanismo de memoria paramétrica para alinear los modelos fundacionales de video con layouts espacio-temporales.
El artículo presenta "Splat the Net", una nueva representación volumétrica que combina la expresividad de los campos neuronales con la eficiencia del splatting mediante primitivas neuronales que permiten un cálculo exacto y rápido de la integración de rayos, logrando una calidad y velocidad equivalentes a las de 3D Gaussian Splatting pero con una décima parte de primitivas y una sexta parte de parámetros.
El artículo presenta LinearSR, un marco holístico que supera los desafíos de inestabilidad y eficiencia de la atención lineal en la superresolución de imágenes mediante estrategias innovadoras como el fine-tuning guiado por puntos de inflexión y una arquitectura de expertos mixtos, logrando así un rendimiento perceptual de vanguardia con una eficiencia computacional excepcional.
El artículo presenta PHyCLIP, un modelo que unifica la jerarquía y la composicionalidad en el aprendizaje de representaciones visión-lenguaje mediante un producto de factores hiperbólicos, superando a los enfoques de espacio único y mejorando la interpretabilidad en tareas de clasificación y recuperación.