6105 artículos
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.
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.