5768 artículos
El artículo presenta CLiFT, un método de renderizado neuronal que comprime la información de escenas en "tokens de campo de luz" para lograr una representación eficiente y adaptable que permite ajustar el equilibrio entre calidad, velocidad y tamaño de datos según el presupuesto computacional.
El artículo presenta SeC, un marco de segmentación de objetos en video impulsado por conceptos que utiliza modelos de visión-lingüaje grandes para construir representaciones de alto nivel y supera a los métodos actuales en el nuevo benchmark SeCVOS, logrando una mejora significativa de 11,8 puntos sobre SAM 2.1.
Este artículo presenta un marco unificado de gemelos digitales y robóticos que integra entornos de simulación y bancos de pruebas robóticos para validar de manera fiable y modular el rendimiento de los sistemas de guía, navegación y control (GNC) en operaciones de proximidad y vuelo en formación.
El paper presenta MonoFusion, un método que reconstruye escenas dinámicas a partir de videos de pocas cámaras alineando reconstrucciones monoculares independientes para superar las limitaciones de los enfoques multivista densos y lograr una mayor calidad en la renderización de nuevas vistas.
Este artículo presenta HGTS-Former, un nuevo modelo basado en hipergrafos jerárquicos y Transformers que mejora el análisis de series temporales multivariadas mediante la captura de interacciones complejas, logrando un rendimiento superior en diversas tareas y en un nuevo conjunto de datos a gran escala para la fusión nuclear.
Este trabajo propone un nuevo método de simulación de resonancia magnética que agrupa isocromatos con propiedades idénticas para compartir cálculos, logrando acelerar los tiempos de procesamiento entre 3 y 72 veces en comparación con los métodos convencionales.
Este trabajo propone el uso de "Causal Delta Embeddings" para representar intervenciones en el espacio latente de manera invariante al escenario y esparsa, logrando así una mayor robustez fuera de distribución en la representación causal de imágenes sin necesidad de supervisión adicional.
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.