6104 artículos
El marco pySpatial permite a los modelos de lenguaje multimodal realizar razonamiento espacial cero-shot en 3D mediante la generación de código Python que integra herramientas de reconstrucción y visualización, superando significativamente a las bases de referencia existentes en benchmarks desafiantes y demostrando su eficacia en navegación robótica real.
El artículo presenta UD-SfPNet, una red neuronal que integra la eliminación de dispersión y la reconstrucción de normales 3D mediante polarización en un pipeline unificado para mejorar la precisión de la imagen óptica subacuática.
Este artículo presenta un algoritmo determinista jerárquico que extrae teselaciones exactas en cuadrículas planas finitas mediante la identificación de regiones rectangulares repetitivas, su normalización a formas representativas mínimas y la extracción de primos, logrando un rendimiento eficiente para patrones simples y abordando brechas en el análisis simbólico de estructuras discretas.
El artículo presenta VGGT-Det, un marco pionero para la detección 3D de objetos en interiores multivista sin geometría de sensores, que integra un codificador VGGT con mecanismos de generación de consultas guiadas por atención y agregación de características impulsada por consultas para aprovechar eficazmente los priores semánticos y geométricos internos, logrando un rendimiento superior en conjuntos de datos como ScanNet y ARKitScenes.
El artículo presenta DriveCode, un nuevo método de codificación numérica que representa los números como embebidos dedicados en lugar de tokens de texto, mejorando así la precisión numérica y la eficiencia en la predicción de trayectorias y la generación de señales de control para sistemas de conducción autónoma basados en modelos de lenguaje grande.
El estudio revela que los modelos de lenguaje visuales actuales subestiman y diagnostican incorrectamente los errores matemáticos en estudiantes con dificultades, lo que limita su utilidad en aplicaciones educativas a pesar de su capacidad para resolver problemas.
Este artículo presenta Beyond8Bits, un extenso conjunto de datos subjetivos de videos HDR generados por usuarios, y HDR-Q, el primer modelo de lenguaje multimodal diseñado para evaluar la calidad de estos videos mediante un codificador de visión específico y una optimización de política que mejora significativamente el rendimiento en comparación con los métodos existentes.
El artículo presenta StegoNGP, un método de esteganografía criptográfica 3D que utiliza la codificación hash de Instant-NGP para ocultar indetectablemente una escena completa dentro de los pesos de un único modelo, logrando alta capacidad y robustez sin modificar la arquitectura ni los parámetros.
El artículo demuestra que el uso de un acotamiento de margen en el aprendizaje contrastivo Forward-Forward infla significativamente la varianza del entrenamiento en conjuntos de datos con alta densidad de pares positivos y dificultad moderada, como CIFAR-10, debido a la saturación de gradientes, un efecto que puede eliminarse sin costo en la precisión media mediante una formulación alternativa de resta de margen.
El artículo presenta VeGaS, un marco innovador de 4D Gaussian Splatting que desacopla el movimiento de la geometría mediante una matriz de cizallamiento galileana y una red de deformación geométrica para lograr una reconstrucción de escenas dinámicas de alta fidelidad con un rendimiento superior al estado del arte.
El artículo presenta EraseAnything++, un marco unificado que utiliza optimización multiobjetivo y cirugía de gradientes implícita para eliminar conceptos no deseados de modelos de flujo rectificado tanto para imágenes como para video, logrando un equilibrio superior entre la eficacia de la eliminación y la preservación de la calidad generativa.
Este trabajo propone un marco de pre-entrenamiento supervisado sintético que integra lógica anatómica mediante una biblioteca de formas realistas y una estrategia de colocación secuencial estructuralmente consciente, superando significativamente a los métodos actuales de aprendizaje auto-supervisado y basados en primitivas matemáticas en tareas de segmentación médica al garantizar la viabilidad fisiológica y la privacidad de los datos.
Este artículo presenta EFS, un módulo de selección de cuadros basado en eventos y libre de entrenamiento que mejora significativamente la comprensión de videos largos en modelos LVLM al dividir el video en segmentos semánticos y seleccionar cuadros clave relevantes para la consulta, logrando así ganancias sustanciales en benchmarks desafiantes.
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.