5768 artículos
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.
Este artículo propone el marco CSL, un enfoque unificado que mejora el reconocimiento de imágenes multietiqueta con etiquetas incompletas mediante la co-aprendizaje de características semánticas robustas y la recuperación adaptativa de etiquetas faltantes, superando así a los métodos existentes en conjuntos de datos públicos.
El artículo presenta UniFlow, un tokenizador visual unificado que supera la tradicional compensación entre comprensión y generación mediante la adaptación de codificadores preentrenados con auto-distilación y un decodificador de flujo de píxeles, logrando un rendimiento superior en múltiples tareas de entendimiento y generación visual.
Este artículo presenta un marco de entrenamiento de dos etapas que permite el modelado generativo end-to-end en el espacio de píxeles mediante pre-entrenamiento auto-supervisado, logrando un rendimiento superior al estado del arte en ImageNet y cerrando la brecha de eficiencia con los modelos latentes sin depender de VAEs preentrenados.
El artículo presenta Fly-CL, un marco bioinspirado en el circuito olfativo de la mosca que mejora el aprendizaje de representaciones continuas en modelos preentrenados al resolver la multicolinealidad y reducir significativamente el tiempo de entrenamiento mediante un emparejamiento de similitud eficiente.
El artículo presenta Mono4DGS-HDR, un sistema pionero que reconstruye escenas 4D de alto rango dinámico (HDR) a partir de videos monoculares no calibrados con exposiciones alternas mediante un marco de optimización en dos etapas basado en Gaussian Splatting y una regularización temporal de luminancia.
LightMem es un sistema de memoria ligero y eficiente inspirado en el modelo de memoria humana de Atkinson-Shiffrin que organiza la información en tres etapas (sensorial, a corto plazo y a largo plazo) para mejorar la precisión de las respuestas y reducir drásticamente el uso de tokens y llamadas a API en comparación con sistemas existentes.
Este trabajo presenta BioCAP, un modelo fundacional biológico que mejora la clasificación de especies y la recuperación de imágenes mediante el uso de descripciones sintéticas generadas por modelos de lenguaje multimodal para enriquecer la supervisión más allá de las etiquetas tradicionales.
VoMP es un método de alimentación directa que predice campos volumétricos de propiedades mecánicas (módulo de Young, relación de Poisson y densidad) en objetos 3D mediante un transformador geométrico entrenado con latentes de materiales físicamente plausibles, superando a métodos anteriores en precisión y velocidad.
El artículo presenta Concerto, un modelo de aprendizaje auto-supervisado conjunto 2D-3D que, inspirado en la sinergia multisensorial humana, supera a los métodos actuales en percepción de escenas 3D y permite la percepción en mundos abiertos mediante representaciones espaciales coherentes y ricas en información.
El artículo presenta ProMoE, un marco de Mixture-of-Experts con una guía de enrutamiento explícita de dos pasos que supera a los métodos actuales en la escalabilidad de Transformadores de Difusión para visión artificial al abordar la redundancia espacial y la heterogeneidad funcional de los tokens visuales.
El artículo presenta "Brain-IT", un enfoque basado en un Transformador de Interacción Cerebral que reconstruye imágenes a partir de registros fMRI con mayor fidelidad y eficiencia que los métodos actuales, logrando resultados comparables a técnicas de entrenamiento extenso utilizando solo una hora de datos de un nuevo sujeto.
Este trabajo propone un enfoque novedoso que genera videos de rostros parlantes de alta resolución exclusivamente a partir de una sola entrada de audio, superando a los métodos existentes mediante un modelo de difusión condicionado al habla con priores faciales y un módulo de refinamiento regional para optimizar la sincronización labial y los detalles.
El artículo presenta ThinkMorph, un modelo unificado que, al aprender a generar pasos de razonamiento intercalados y complementarios entre texto e imagen, logra mejoras significativas en tareas visuales y demuestra capacidades emergentes de manipulación visual y adaptación multimodal.