5768 artículos
El artículo presenta GUARD, un marco innovador que mitiga la memorización de datos de entrenamiento en modelos de difusión texto-a-imagen mediante la atenuación dinámica y quirúrgica de la atención cruzada durante la inferencia, logrando así prevenir la reproducción de imágenes originales sin comprometer la calidad de la generación.
TinyVLM es el primer marco que habilita la detección de objetos en cero disparos en microcontroladores con menos de 1 MB de memoria, utilizando una arquitectura desacoplada, destilación de incrustaciones tipo Matryoshka y almacenamiento cuantizado para lograr inferencia en tiempo real con una precisión competitiva.
Este trabajo presenta Latent Replay Detection (LRD), un marco pionero que habilita la detección de objetos continua en microcontroladores mediante una compresión adaptable a la tarea y una selección de ejemplos espacialmente diversa, logrando así superar las estrictas limitaciones de memoria sin sacrificar el rendimiento.
Este artículo presenta TerrAI, una solución basada en redes neuronales que utiliza imágenes multiespectrales para estimar el nitrógeno en campos de trigo y optimizar la fertilización y pulverización dirigidas, considerando la variabilidad espaciotemporal de los cultivos.
El artículo presenta RADS, un marco de aprendizaje por refuerzo con restricciones de alcanzabilidad que mitiga la memorización en modelos de difusión texto-a-imagen durante la inferencia, logrando un equilibrio superior entre diversidad, calidad y alineación sin modificar la arquitectura base.
El artículo presenta ADE-CoT, un marco de escalado de tiempo de inferencia adaptativo que mejora la eficiencia y el rendimiento en la edición de imágenes mediante la asignación dinámica de recursos, la verificación específica del dominio y la detención oportuna, superando a los métodos existentes como Best-of-N.
El artículo presenta GrapHist, un marco de aprendizaje auto-supervisido basado en grafos que modela las interacciones celulares en histopatología para lograr un rendimiento competitivo en diversas tareas con una fracción de los parámetros de los modelos visuales tradicionales, además de liberar cinco nuevos conjuntos de datos y un benchmark a gran escala.
El artículo presenta DHVAE, un modelo basado en difusión latente jerárquica y desenredada que genera interacciones humanas en 3D realistas y físicamente plausibles al separar el contexto global de los patrones de movimiento individuales mediante un módulo CoTransformer y restricciones de aprendizaje contrastivo.
El artículo presenta M-Gaussian, un marco innovador que adapta el Splatting Gaussiano 3D para la reconstrucción eficiente de volúmenes de MRI multi-pila, logrando un equilibrio óptimo entre alta calidad de imagen y velocidad de procesamiento mediante primitivas magnéticas, un campo residual neuronal y un entrenamiento progresivo.
Este estudio demuestra que un enfoque de LoRA guiado mecánicamente, que utiliza Autoencoders Dispersos para optimizar la consistencia de las respuestas ante parafraseos sin sacrificar la precisión, reduce significativamente las tasas de inconsistencia en modelos de visión y lenguaje médicos como MedGemma.
El artículo presenta ReMD, un marco de difusión consistente con la física que utiliza corrección de residuos multigrid y una base de multi-wavelets para lograr una super-resolución eficiente y precisa de fluidos, mejorando la fidelidad espectral y reduciendo la divergencia con menos pasos de muestreo que los métodos existentes.
Este artículo demuestra que los modelos de difusión pueden plagiar imágenes protegidas por derechos de autor mediante un método basado en gradientes que utiliza "anclajes y parches" para evadir marcas de agua y protecciones de copyright sin necesidad de entrenamiento adicional.
Este artículo presenta una arquitectura multivista para predecir el progreso de las acciones de manipulación robótica, abordando las limitaciones de las cámaras individuales por oclusión y demostrando su eficacia en el sistema Mobile ALOHA.
El artículo presenta EfficientPosterGen, un marco de generación automática de pósters académicos que mejora la eficiencia y la fiabilidad mediante la recuperación semántica de información clave, la compresión de contexto visual para reducir el uso de tokens y un algoritmo determinista para la detección de violaciones de diseño sin necesidad de modelos adicionales.
El artículo presenta BiCLIP, un marco de procesamiento bidireccional y consistente de lenguaje e imágenes que mejora la segmentación robusta de imágenes médicas mediante una fusión multimodal iterativa y consistencia de aumentación, demostrando un rendimiento superior incluso con datos limitados y en presencia de artefactos clínicos.
El artículo presenta FujiView, un marco de aprendizaje multimodal que fusiona tardíamente imágenes de cámaras web y datos meteorológicos para predecir con alta precisión la visibilidad escénica del Monte Fuji, estableciendo un nuevo referente en la previsión ambiental.
FlowPortrait es un marco de aprendizaje por refuerzo que utiliza modelos de lenguaje multimodal para optimizar la generación de videos de retratos impulsados por audio, logrando una sincronización labial, expresividad y calidad de movimiento superiores mediante un sistema de recompensa alineado con la percepción humana.
Este estudio propone un modelo de detección de malas hierbas en cultivos de hortalizas que integra un transformador de visión DINOv3 finetuneado con YOLO26, logrando mejoras significativas en precisión y generalización cruzada mediante el uso de un conjunto de datos masivo y curado.
El artículo presenta SKINOPATHY AI, una aplicación web basada en smartphones que utiliza visión por computadora ligera y local para ofrecer cinco módulos de cribado oftalmológico explicables y sin necesidad de inferencia en la nube, facilitando la detección temprana y el seguimiento longitudinal en entornos con recursos limitados.
El artículo presenta GazeXPErT, un conjunto de datos de seguimiento ocular de expertos en 346 escaneos FDG-PET/CT oncológicos diseñado para mejorar la interpretabilidad, explicabilidad y rendimiento de los modelos de inteligencia artificial en la detección y localización de tumores.