5592 artículos
Este artículo presenta un modelo de explicación para la segmentación de imágenes médicas que utiliza el razonamiento causal y el efecto medio de tratamiento (ATE) para cuantificar la influencia de las regiones de entrada y los componentes de la red, demostrando una mayor fidelidad que las técnicas existentes y revelando heterogeneidades en las estrategias de percepción de diversos modelos fundamentales.
El artículo propone el marco de Cuantización de Color de Conjuntos de Datos (DCQ), una solución unificada que comprime grandes conjuntos de datos visuales reduciendo la redundancia en el espacio de color mediante la preservación de colores semánticamente importantes y detalles estructurales, logrando así un almacenamiento eficiente sin sacrificar el rendimiento del entrenamiento del modelo.
Este trabajo presenta VII, un marco de jailbreaking sin entrenamiento que explota la capacidad de seguir instrucciones visuales en modelos de generación de video a partir de imágenes para inyectar intenciones maliciosas a través de imágenes de referencia seguras, logrando altas tasas de éxito en ataques contra modelos comerciales de última generación.
HorizonForge es un marco unificado que permite la edición fotorealista y controlada de escenas de conducción mediante la reconstrucción en Gaussian Splats y mallas, facilitando la inserción de vehículos y trayectorias arbitrarias con consistencia temporal y superando a los métodos actuales en fidelidad y preferencia de usuario.
Los autores proponen un marco unificado basado en mapas de interacción luz-geometría (LGI) y un nuevo conjunto de datos a gran escala para generar sombras y relucir imágenes de manera conjunta, logrando una coherencia física y realismo superiores al integrar la geometría 2.5D con modelos generativos.
El artículo presenta PhotoAgent, un sistema autónomo de edición fotográfica que utiliza planificación estética explícita y búsqueda en árbol para ejecutar ediciones complejas sin necesidad de instrucciones paso a paso, respaldado por el nuevo benchmark UGC-Edit para su evaluación.
El artículo presenta OmniGAIA, un nuevo benchmark diseñado para evaluar agentes de inteligencia artificial que integran percepción multimodal (visión, audio y lenguaje) con razonamiento complejo y uso de herramientas, junto con OmniAtlas, un agente fundacional nativo que mejora estas capacidades mediante estrategias de entrenamiento avanzadas para abordar escenarios del mundo real.
El artículo presenta HELMLAB, un espacio de color analítico de 72 parámetros diseñado para sistemas de diseño de interfaz de usuario que, mediante transformaciones aprendidas y correcciones específicas, logra una mayor precisión perceptual que CIEDE2000 en la medición de distancias de color, garantizando además la invertibilidad y la utilidad práctica para la adaptación de modos claros/oscuros.
El artículo presenta AgentVista, un nuevo benchmark diseñado para evaluar agentes multimodales generales en escenarios visuales realistas y de alta complejidad que requieren el uso de herramientas híbridas a largo plazo, revelando mediante una evaluación exhaustiva que incluso los modelos más avanzados actuales tienen un rendimiento limitado en estas tareas.
El artículo presenta V-MORALS, un método que estima regiones de atracción en un espacio latente aprendido utilizando únicamente trayectorias basadas en imágenes, superando así las limitaciones de métodos anteriores que requieren conocimiento completo del estado del sistema.
El artículo presenta HMKGN, un modelo de red gráfica jerárquica y multiescala con atención guiada por conocimiento que supera a los métodos existentes en la predicción de supervivencia de pacientes mediante el análisis de imágenes de diapositivas completas al modelar eficazmente las relaciones espaciales y las interacciones multiescala dentro de los tejidos tumorales.
El artículo presenta AoE, un sistema de recolección de datos de bajo costo y escalable que aprovecha los smartphones y la colaboración nube-borde para capturar interacciones humanas egocéntricas en tiempo real, abordando la escasez de datos de alta calidad necesarios para entrenar modelos fundamentales de IA encarnada.
Este estudio demuestra que, en el contexto de la detección de Parkinson prodromal mediante fMRI con datos extremadamente escasos, la evaluación estricta a nivel de sujeto revela una fuga de información en las divisiones tradicionales por imágenes y destaca que arquitecturas ligeras como MobileNet logran una generalización más fiable que modelos más profundos.
Este artículo presenta el marco Certainty-Validity (CVS) para diagnosticar sistemas de compromiso discreto, revelando que su límite de rendimiento en datos ambiguos no es un fallo, sino una característica deseable que evita las alucinaciones, y propone optimizar la capacidad del modelo para reconocer sus propios límites en lugar de maximizar la precisión tradicional.
Este artículo presenta una herramienta de código abierto que automatiza la detección de errores comunes en conjuntos de datos de sensores para vehículos ferroviarios, garantizando la calidad de los datos de entrenamiento necesarios para sistemas de conducción autónoma y reduciendo significativamente la carga de trabajo manual.
Este artículo presenta un marco de bajo costo basado en modelos de visión-idioma y la arquitectura Multimodal Modular Chain of Thoughts (MMCoT) que mejora significativamente la evaluación automática preliminar de Certificados de Desempeño Energético (EPC) en entornos con escasez de datos, logrando una mayor precisión al descomponer la estimación en etapas de razonamiento intermedias.
Este estudio presenta VoxelDiffusionCut, un método que utiliza un modelo de difusión basado en voxels para estimar iterativamente la estructura interna de objetos a partir de superficies cortadas y planificar cortes no destructivos, superando las limitaciones de incertidumbre y colapso modal de los modelos generativos convencionales para la extracción precisa de componentes internos.
Este artículo presenta la Red de Atención Adaptativa Espacial Multi-escala (MSAAN), una arquitectura de super-resolución de imágenes ligera que combina módulos de atención espacial y agregación multi-escala para lograr un equilibrio superior entre alta fidelidad de reconstrucción y baja complejidad computacional en comparación con los métodos actuales.
El artículo presenta BiSe-Unet, una arquitectura de red neuronal ligera y dual diseñada para la segmentación de imágenes médicas en tiempo real en dispositivos con recursos limitados, logrando un alto rendimiento y precisión en la detección de pólipos en colonoscopias mediante el uso de un contexto refinado por atención y un decodificador eficiente.
NovaLAD es un sistema de extracción de documentos optimizado para CPU que combina modelos YOLO concurrentes, clasificación de imágenes y visión por lenguaje para generar representaciones estructuradas de alta precisión sin necesidad de GPU, superando a otros analizadores en benchmarks como DP-Bench.