5822 artículos
El paper presenta AG-VAS, un marco de segmentación de anomalías visuales sin ejemplos que aprovecha modelos multimodales grandes mediante tokens de anclaje semántico aprendibles y una alineación cruzada mejorada para lograr un rendimiento superior en la detección de anomalías en escenarios de ceros ejemplos.
Este trabajo presenta una evaluación comparativa que demuestra que, aunque los modelos de visión de vocabulario abierto ofrecen ventajas para la adaptación a nuevos desastres, el aprendizaje supervisado sigue siendo el enfoque más fiable para la segmentación semántica y la detección de objetos en escenas post-desastre cuando existen anotaciones específicas y se requiere precisión en objetos pequeños y bordes complejos.
El artículo presenta NVB-Face, un método innovador de una sola etapa que genera vistas nuevas consistentes y de alta calidad directamente a partir de una única imagen de rostro degradada, superando las limitaciones de los enfoques tradicionales de dos etapas al evitar la dependencia de una restauración previa.
El artículo presenta PEFD, un marco de ajuste fino equivariante a la perspectiva que permite la desmosaico de imágenes multiespectrales sin necesidad de datos de referencia, aprovechando la geometría proyectiva y modelos fundacionales preentrenados para lograr un rendimiento superior en datasets médicos y automotrices.
El artículo presenta MixerCSeg, una arquitectura eficiente para la segmentación de grietas que combina ventajas de CNN, Transformers y Mamba mediante componentes como TransMixer y DEGConv, logrando un rendimiento de vanguardia con una complejidad computacional mínima.
El paper presenta TIMI, un marco de generación de múltiples instancias 3D a partir de imágenes que no requiere entrenamiento y logra una alta fidelidad espacial mediante los módulos de guía de separación consciente de instancias (ISG) y actualización geométrica adaptativa estabilizada espacialmente (SGU).
Este trabajo propone AOT, un método sin entrenamiento que optimiza la reducción de tokens en modelos de lenguaje grandes para video mediante el transporte óptimo local y global para preservar la información contextual y la fidelidad temporal.
El artículo presenta UniTalking, un marco unificado de difusión de extremo a extremo que genera retratos parlantes de alta fidelidad con sincronización labial precisa y clonación de voz personalizada, superando a los enfoques de código abierto existentes al aprovechar los priores de modelos de generación de video preentrenados.
El artículo presenta SeaVIS, el primer marco en línea para la segmentación de instancias audio-visuales que supera las limitaciones de los métodos anteriores mediante un módulo de fusión de atención cruzada causal y una estrategia de aprendizaje contrastivo guiado por audio para mejorar la asociación de instancias sonoras en flujos de video continuos.
El artículo presenta LinkVLA, un nuevo modelo de visión-lenguaje-acción para la conducción autónoma que mejora la alineación y la eficiencia al unificar tokens en un código compartido, introducir un objetivo de comprensión de acciones y emplear un método de generación de dos pasos que reduce el tiempo de inferencia en un 86%.
Este estudio demuestra que la utilidad de la mezcla global de tokens en la restauración de imágenes por resonancia magnética depende de la tarea específica, ya que los modelos basados en CNN con puertas locales resultan competitivos en reconstrucción y superresolución donde la física impone restricciones globales, mientras que los modelos de mezcla global son superiores en tareas de eliminación de ruido heterocedástico que requieren estimar la fiabilidad espacial variable.
Este artículo presenta el Adaptador de Forense de Deepfake (DFA), un marco de red de doble flujo que combina modelos fundacionales visión-idioma con análisis forense específico para lograr una detección de deepfakes generalizable y de vanguardia sin modificar los parámetros del modelo CLIP preentrenado.
El artículo presenta VidDoS, el primer marco universal de ataque de denegación de servicio energético-latencia diseñado específicamente para modelos de lenguaje grandes basados en video, el cual utiliza desencadenantes agnósticos a la instancia para inflar drásticamente la latencia de inferencia y provocar violaciones de seguridad críticas en aplicaciones como la conducción autónoma.
El artículo presenta MM-Mem, una arquitectura de memoria multimodal piramidal inspirada en la teoría de la huella difusa que utiliza un cuello de botella de información semántica para distilar eficientemente recuerdos detallados en esquemas abstractos, mejorando así la comprensión de videos de larga duración mediante una recuperación jerárquica y dinámica.
El artículo presenta UltraStar, un nuevo enfoque que mejora la navegación automatizada en ecocardiografía mediante un modelo de grafo estelar semánticamente consciente que reformula la tarea como una localización global basada en anclajes espaciales, superando así las limitaciones de los métodos existentes al manejar trayectorias históricas ruidosas y largas.
El artículo presenta WildCross, un nuevo benchmark de gran escala que aborda la brecha en la percepción robótica para entornos naturales no estructurados mediante un conjunto de datos multimodal con más de 476.000 frames RGB, anotaciones de profundidad métrica y normales de superficie alineados con escaneos LiDAR y poses 6DoF para tareas de reconocimiento de lugares y estimación de profundidad.
El artículo presenta SCATR, un modelo de seguimiento basado en LiDAR que mitiga la supresión de nuevas instancias mediante dos estrategias de entrenamiento innovadoras, asignación de segunda oportunidad y eliminación de consultas de seguimiento, logrando así un rendimiento superior que cierra la brecha histórica entre los métodos de seguimiento por atención y por detección.
El artículo presenta ATA, un marco de inferencia libre de entrenamiento que mejora los modelos Visión-Lenguaje-Acción mediante un razonamiento implícito guiado por atención y acción, logrando mayor éxito en tareas y eficiencia sin necesidad de anotaciones adicionales.
El artículo presenta RadioGS, un marco de renderizado inverso que utiliza surfels gaussianos y trazado de rayos 2D para integrar consistencia radiométrica, logrando así una descomposición precisa de materiales y efectos de iluminación global con alta eficiencia computacional y capacidad de reiluminación.
El artículo presenta PhotoBench, el primer benchmark construido a partir de álbumes personales auténticos que supera las limitaciones de la coincidencia visual tradicional al evaluar la capacidad de los sistemas para realizar razonamiento multimodal basado en múltiples fuentes e intenciones personalizadas, revelando así la necesidad de arquitecturas de agentes robustas para la recuperación de fotos.