5768 artículos
El artículo presenta ReMoT, un paradigma de entrenamiento unificado que combina un marco automático para generar un gran conjunto de datos de tripletes de contraste de movimiento (ReMoT-16K) con la optimización de políticas relativas grupales (GRPO), logrando un rendimiento superior en la consistencia espacio-temporal de los modelos de lenguaje visuales y estableciendo un nuevo estándar en la discriminación de atributos de movimiento.
El artículo presenta OPGAgent, un sistema de agentes multi-herramienta que mejora la precisión y auditabilidad de la interpretación de radiografías panorámicas dentales mediante módulos especializados y un mecanismo de consenso, superando a los modelos de lenguaje-vision actuales en las nuevas métricas del OPG-Bench.
DreamWorld es un marco unificado que mejora la generación de video mediante un paradigma de modelado mundial conjunto que integra conocimientos complementarios y estrategias de entrenamiento e inferencia avanzadas para lograr una coherencia espacial, temporal y semántica superior.
Este trabajo presenta un sistema de imagen de alto rango dinámico (HDR) que integra de forma co-diseñada una cámara con exposición espacialmente variable (SVE) y un sensor de eventos en una configuración asimétrica, utilizando un marco de alineación cruzada y una red de reconstrucción para superar las limitaciones de sobreexposición y mejorar la recuperación de brillos y la fidelidad de los bordes en entornos de iluminación extrema.
Este trabajo presenta FEWTRANS, un benchmark integral con un protocolo de evaluación riguroso que revela que la elección del modelo preentrenado y el ajuste fino completo son más determinantes para el aprendizaje de transferencia con pocos ejemplos que los métodos de adaptación sofisticados, mientras también cuantifica el colapso de rendimiento de los modelos multimodales en dominios especializados.
El artículo presenta U-VLM, un modelo jerárquico de visión y lenguaje que mejora la generación de informes radiológicos en imágenes 3D mediante un entrenamiento progresivo y la inyección de características visuales en múltiples capas, logrando un rendimiento superior al estado del arte con un decodificador pequeño sin necesidad de grandes modelos de lenguaje preentrenados.
Este artículo presenta un marco probabilístico y una evaluación empírica de 144.000 ejemplos físicos adversarios para cuantificar cómo las manipulaciones de boletas mediante ataques de aprendizaje automático podrían alterar los resultados de las elecciones en EE. UU., revelando además una brecha crítica entre la efectividad de estos ataques en entornos digitales y físicos.
El artículo presenta TaiChi, un marco de modelo de visión-idioma diseñado para comunicaciones de tokens que supera las limitaciones actuales mediante un tokenizador visual dual, una red de atención bilateral y un proyector basado en KAN, logrando una alineación multimodal precisa y un rendimiento superior en un sistema de comunicaciones multitarea.
RAISE es un marco de refinamiento evolutivo sin entrenamiento que mejora la alineación texto-imagen mediante una escala de prueba adaptativa y basada en requisitos, optimizando el esfuerzo computacional y reduciendo significativamente el número de muestras y llamadas a modelos de lenguaje visuales necesarios para lograr resultados de vanguardia.
Este trabajo propone que una estrategia de agrupación aleatoria simple y rápida para los tokens de visión es suficiente para superar a métodos de agrupación complejos y diseñados cuidadosamente, siempre que se mantengan la información posicional, la diversidad de características, el campo receptivo global y un patrón de agrupación fijo.
El artículo presenta ArtiFixer, un método de dos etapas que utiliza un modelo generativo bidireccional entrenado con una estrategia de mezcla de opacidad y un modelo autoregresivo distilado para superar las limitaciones de escalabilidad y calidad en la reconstrucción 3D, logrando así una síntesis de vistas novedosas superior a los métodos existentes en áreas no observadas.
El artículo presenta COG, un marco no supervisado para la estimación de la pose 6DoF de objetos novedosos que mejora la robustez al formular la correspondencia geométrica como un problema de transporte óptimo consciente de la confianza, integrando priores semánticos para lograr un rendimiento comparable o superior a los métodos supervisados.
El artículo presenta M, un marco de memoria dual sin entrenamiento que mejora la navegación web a largo plazo mediante la síntesis de trayectorias y la recuperación de conocimientos, logrando aumentos significativos en la tasa de éxito y reducciones en el uso de tokens en modelos multimodales.
Este estudio presenta HiClass, un marco de clasificación jerárquica basado en aprendizaje de instancias múltiples que mejora el análisis de imágenes de patología de diapositivas completas mediante la integración bidireccional de características y funciones de pérdida personalizadas para optimizar simultáneamente la clasificación de categorías gruesas y finas.
Este trabajo introduce la herramienta EmbedLens para revelar que los tokens visuales en los modelos multimodales presentan una marcada esparsidad semántica, donde solo un subconjunto "vivo" contiene información significativa, lo que demuestra que la mayoría de las computaciones visuales internas son redundantes y que la inyección directa en capas intermedias del LLM es suficiente para tareas complejas, permitiendo así arquitecturas más eficientes mediante la poda selectiva y la reducción de cálculos.
El artículo presenta MMA-RAG, un sistema de generación aumentada por recuperación multimodal que utiliza representaciones internas aprendidas para decidir dinámicamente cuándo integrar información externa, mejorando así la precisión y reduciendo las alucinaciones en la respuesta a preguntas visuales.
El artículo presenta MLLM-4D, un marco integral que supera las limitaciones actuales de los modelos de lenguaje multimodal mediante la creación de nuevos conjuntos de datos y una estrategia de entrenamiento post-SFT con GRPO, permitiendo que estos modelos logren un razonamiento y comprensión espaciotemporal de vanguardia a partir únicamente de entradas visuales 2D.
El artículo presenta Vision-TTT, un nuevo modelo de visión que integra el entrenamiento en tiempo de prueba (TTT) con estrategias bidireccionales y módulos convolucionales para lograr representaciones visuales eficientes y expresivas que superan a los Transformers de visión tradicionales en precisión, velocidad y uso de memoria.
Jano es un marco de trabajo sin entrenamiento que acelera la generación de modelos de difusión mediante la identificación temprana de patrones de convergencia heterogéneos y la asignación adaptativa de recursos, logrando una velocidad de hasta 2,4 veces sin comprometer la calidad.
El artículo presenta Mesh-Pro, un marco de aprendizaje por refuerzo asíncrono que utiliza la optimización de preferencias de ranking guiada por ventaja (ARPO) junto con una tokenización de malla diagonalmente consciente y una recompensa basada en rayos para generar mallas cuadrangulares de estilo artístico con mayor eficiencia y calidad que los métodos existentes.