5789 artículos
Este artículo presenta un marco de síntesis espacialmente desacoplado inspirado en la física que resuelve el conflicto de aliasing de bordes en el aprendizaje supervisado basado en fórmulas, permitiendo la generación de texturas sintéticas realistas sin comprometer la precisión de los límites anatómicos y logrando un rendimiento superior en transformers médicos 3D.
Este artículo presenta una encuesta técnica exhaustiva sobre los modelos fundacionales en teledetección, explorando su evolución desde enfoques unimodales hacia multimodales, clasificando las metodologías existentes y ofreciendo una guía práctica para que los investigadores, especialmente los principiantes, comprendan y apliquen estos modelos en diversas tareas del campo.
El artículo presenta MLRecon, un marco robusto de reconstrucción 3D de ultrasonido sin marcadores que utiliza una cámara RGB-D comercial y modelos de visión fundacional para lograr un seguimiento de pose preciso y libre de deriva, superando las limitaciones de costo y complejidad de los métodos existentes.
El artículo presenta GeodesicNVS, un marco de Flujo de Emparejamiento Geodésico de Densidad de Probabilidad que mejora la síntesis de nuevas vistas al aprender transformaciones deterministas acopladas y restringir las trayectorias de flujo a regiones de alta densidad del manifold de datos, logrando así una mayor coherencia geométrica y consistencia entre vistas en comparación con los modelos basados en difusión.
El documento presenta la implementación de un sistema de reconocimiento de matrículas con eliminación de ruido, destacando su creciente demanda en Malasia debido al aumento del parque automotor y su versatilidad para aplicaciones en peajes, control de tráfico, aplicación de la ley y otros campos especializados.
El artículo presenta RaUF, un marco de aprendizaje de campo de incertidumbre espacial que mejora la fiabilidad de la detección en radares de onda milimétrica mediante un modelo probabilístico anisotrópico y un mecanismo de atención de dominio bidireccional para resolver ambigüedades y suprimir reflexiones espurias.
Este trabajo propone CAFE, un método de codificación de frecuencia consciente del contenido que combina características de Fourier y Chebyshev para superar el sesgo espectral de las Representaciones Neuronales Implícitas, permitiendo una síntesis eficiente y selectiva de frecuencias que mejora significativamente la representación de detalles de alta frecuencia.
El artículo presenta VL-Anomaly, un marco de segmentación de anomalías en carreteras que utiliza la alineación de características visión-idioma y estrategias de inferencia multi-fuente para reducir las falsas alarmas en fondos semánticamente normales y mejorar la detección de obstáculos desconocidos, logrando un rendimiento superior en conjuntos de datos de referencia.
Este artículo presenta SMR-Net, un algoritmo de detección de objetos basado en redes de atención y características multiescala que, junto con un sensor dedicado, supera significativamente a los métodos tradicionales en precisión y robustez para la localización de enganches en ensamblajes robóticos automatizados.
Este artículo presenta TAR-FAS, un marco de razonamiento potenciado por herramientas que utiliza un paradigma de cadena de pensamiento con herramientas visuales y el algoritmo DT-GRPO para superar las limitaciones de los métodos actuales de detección de suplantación facial, logrando un estado del arte en generalización cruzada mediante la investigación adaptativa de patrones visuales sutiles.
El artículo presenta MM-DeepResearch, un agente de investigación multimodal que supera los desafíos de escasez de datos, falta de trayectorias efectivas y altos costos mediante la propuesta de Hyper-Search para generar datos, DR-TTS para optimizar expertos de herramientas de búsqueda y un motor de búsqueda offline para el aprendizaje por refuerzo.
El artículo presenta ELF-VLA, un marco que supera el estancamiento de los modelos VLA en la conducción autónoma al incorporar retroalimentación diagnóstica explícita sobre los fallos para guiar el aprendizaje por refuerzo y lograr un rendimiento superior en el benchmark NAVSIM.
El artículo presenta LLaDA-o, un modelo de difusión omni multimodal basado en un marco de mezcla de difusión (MoD) que combina la comprensión de texto y la generación visual mediante una arquitectura compartida eficiente y una estrategia de adaptación de longitud, logrando un rendimiento de vanguardia en benchmarks de comprensión y generación multimodal.
El artículo presenta SHIELD8-UAV, una implementación de hardware secuencial de 8 bits para un acelerador de CNN 1D que, mediante cuantización adaptable y poda estructurada, logra una detección acústica de UAVs precisa y de bajo consumo energético en el borde sin depender de un paralelismo masivo.
El artículo presenta A3Point, un marco de aprendizaje latente adaptativo que mejora la segmentación semántica de nubes de puntos LiDAR bajo condiciones climáticas adversas mediante la decouplación de la confusión semántica y el desplazamiento semántico para optimizar el uso de diversas aumentaciones.
Este trabajo presenta MCMR, un nuevo benchmark a gran escala diseñado para evaluar la recuperación multimodal de alta precisión bajo múltiples condiciones interdependientes, demostrando que los reordenadores basados en modelos de lenguaje multimodal mejoran significativamente la coincidencia fina al verificar explícitamente la consistencia entre la consulta y los candidatos.
Este trabajo introduce AesEval-Bench, un marco integral que incluye un benchmark, una evaluación sistemática de modelos de lenguaje visuales y un conjunto de datos de entrenamiento, para establecer la primera metodología estructurada que permite a las IA evaluar la calidad estética del diseño gráfico con un nivel de detalle comparable al humano.
El artículo presenta V-SONAR, un espacio de incrustación unificado visión-idioma que alinea un codificador visual con el espacio SONAR existente, y V-LCM, un modelo de concepto grande multimodal que, mediante ajuste de instrucciones en latencia, supera a los modelos de vanguardia en tareas de visión e idioma, especialmente en 61 de 62 idiomas de recursos variados.
Este artículo presenta DP-RGMI, un marco que analiza la geometría de las representaciones en imágenes médicas bajo privacidad diferencial para descomponer la pérdida de utilidad en deformaciones geométricas y brechas de aprovechamiento, revelando que la privacidad altera la anisotropía de los rasgos más que colapsarlos uniformemente.
El artículo presenta StrokeDiff, un marco basado en difusión con regularización suave que permite la generación eficiente de pinceladas realistas para pinturas al óleo a partir de un conjunto de datos reducido, logrando además un control preciso mediante condicionamiento basado en curvas de Bézier.