6034 artículos
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.
El artículo presenta "Egocentric Co-Pilot", un marco neuro-simbólico nativo de la web que ejecuta agentes de IA en gafas inteligentes para proporcionar asistencia contextual y accesible mediante la integración de razonamiento temporal, compresión de contexto y herramientas web, demostrando mejoras significativas en la satisfacción del usuario y la finalización de tareas en comparación con soluciones comerciales existentes.
El artículo presenta GroundedSurg, el primer conjunto de datos de referencia para la segmentación de instrumentos quirúrgicos condicionada al lenguaje a nivel de instancia, diseñado para evaluar la capacidad de los modelos de visión y lenguaje para localizar instrumentos específicos basándose en descripciones naturales en diversos procedimientos quirúrgicos.
GuiDINO es un marco que mejora la segmentación de imágenes médicas al utilizar DINOv3 como generador de guías visuales mediante un mecanismo TokenBook, inyectando priores de modelos fundacionales en arquitecturas especializadas sin necesidad de un ajuste fino completo.
El artículo presenta ClinCoT, un marco de razonamiento visual consciente del contexto clínico que transforma la optimización de preferencias de nivel de respuesta a uno guiado por la visión mediante un pipeline de generación de datos automatizado y una estrategia de optimización iterativa, logrando así una mejor alineación y reducción de alucinaciones en modelos de lenguaje visual médico.
El artículo presenta PR-ACL, un nuevo enfoque que combina aprendizaje contrastivo de anomalías aumentadas con un paradigma de predicción y verificación iterativa para resolver eficazmente tareas de relaciones visuales composicionales mediante la identificación de imágenes atípicas basadas en reglas complejas.
El artículo presenta TCD-Net, un enfoque basado en transformadores de visión que utiliza intervenciones causales guiadas por un modelo de IA para desentrelazar ortogonalmente el contenido y el ruido, logrando así una eliminación de ruido más robusta y eficiente que los métodos convencionales.
ArtLLM es un marco novedoso que utiliza un modelo de lenguaje grande multimodal 3D para generar activos articulados de alta calidad directamente a partir de mallas 3D completas, superando las limitaciones de los métodos existentes al predecir autoregresivamente la estructura cinemática y sintetizar geometrías de partes detalladas para aplicaciones como el aprendizaje robótico y los gemelos digitales.
El artículo presenta TC-SSA, un marco de compresión de tokens mediante agregación de ranuras semánticas que resuelve el cuello de botella computacional de las imágenes patológicas gigapíxel al reducir drásticamente la secuencia de tokens sin sacrificar información diagnóstica crítica, logrando un rendimiento superior en tareas de razonamiento y clasificación.
El estudio presenta ConVibNet, un marco de detección de agujas en tiempo real para intervenciones guiadas por ultrasonido que mejora la precisión y robustez mediante el modelado de dependencias temporales y una nueva función de pérdida de intersección y diferencia, logrando una localización de la punta superior a los métodos existentes.
Este trabajo presenta D-REX, un motor diferenciable que utiliza representaciones de Gaussian Splat para identificar la masa de objetos a partir de observaciones reales y transferir demostraciones humanas a simulaciones, logrando así la creación de gemelos digitales de alta fidelidad y políticas de agarre dextro que reducen significativamente la brecha entre simulación y realidad.
GRAD-Former es un marco novedoso para la detección de cambios en imágenes de teledetección que supera a los modelos actuales en precisión y eficiencia mediante un codificador con mecanismos de atención diferencial y gating, logrando un rendimiento superior con menos parámetros en conjuntos de datos desafiantes.
El artículo presenta BeautyGRPO, un marco de aprendizaje por refuerzo que alinea el retoque facial con las preferencias estéticas humanas mediante el uso del conjunto de datos FRPref-10K y la Guía de Trayectoria Dinámica (DPG) para equilibrar la exploración estocástica con la fidelidad de alta resolución, logrando así una eliminación precisa de imperfecciones sin sacrificar la identidad facial.
El artículo presenta FREE-Edit, un marco de edición de video impulsado por imágenes sin necesidad de entrenamiento que utiliza un modelo de Rectified Flow y un método de inyección consciente de la edición (REE) para propagar modificaciones desde un primer frame editado al resto del video con mayor calidad y coherencia que las técnicas existentes.
El artículo presenta TripleSumm, un nuevo enfoque que fusiona adaptativamente las modalidades visual, textual y auditiva a nivel de cuadro para mejorar el resumen de video, junto con MoSu, el primer conjunto de datos a gran escala que incluye las tres modalidades, logrando un rendimiento superior al estado del arte en múltiples benchmarks.
El artículo presenta VP-Hype, un marco híbrido que combina la eficiencia de los modelos Mamba con la capacidad de modelado de relaciones de los Transformers y el uso de indicaciones visuales y textuales para lograr una clasificación de imágenes hiperespectrales de vanguardia con una extrema escasez de datos etiquetados.