6112 artículos
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.
Este artículo introduce un marco teórico de tasa-distorsión que utiliza firmas geométricas (pendiente y curvatura) derivadas de matrices de confusión para cuantificar y comparar los compromisos entre precisión y robustez en la generalización visual, revelando que, aunque los sistemas biológicos y artificiales siguen principios comunes de compresión con pérdida, los humanos exhiben trade-offs más flexibles y menos frágiles que las redes neuronales profundas actuales.
Este artículo presenta el marco DTI-UIE, un enfoque de mejora de imágenes submarinas inspirado en tareas posteriores que, mediante una red de dos ramas, una pérdida perceptual orientada a tareas y un conjunto de datos construido automáticamente, optimiza la calidad de las imágenes para mejorar el rendimiento en tareas de visión como la segmentación y la detección de objetos.
Este artículo presenta NO-CTR, una representación de funciones tensoriales continuas fundamentada en operadores neuronales que supera las limitaciones de los productos modales discretos mediante operadores no lineales continuos, logrando una aproximación teóricamente universal y un rendimiento superior en la completación de datos multidimensionales tanto en mallas regulares como irregulares.
FireRed-OCR es un marco sistemático que transforma modelos VLM generales en expertos de OCR estructural mediante una fábrica de datos "Geometría + Semántica" y una estrategia de entrenamiento progresivo de tres etapas, logrando un rendimiento superior al estado del arte en el análisis de documentos complejos.
Este trabajo presenta Tiny-DroNeRF, un modelo de campos neuronales de radiación optimizado para microcontroladores de ultra bajo consumo en nano-drones que, combinado con un esquema de aprendizaje federado, permite la reconstrucción 3D densa en entornos con recursos extremadamente limitados reduciendo la huella de memoria en un 96% con una mínima pérdida de precisión.
Este trabajo presenta un método de predicción de trayectorias de drones basado exclusivamente en cámaras de eventos que extrae la velocidad de rotación de las hélices de los datos crudos y la integra en un filtro de Kalman consciente de las RPM, logrando una precisión superior a los enfoques basados en aprendizaje y a los filtros de Kalman convencionales sin necesidad de imágenes RGB ni datos de entrenamiento.
Este trabajo propone un prior estructural tridimensional libre de entrenamiento llamado Campo de Uniones 3D (3D FoJ) que, al optimizar uniones de cuñas para representar volúmenes, logra una eliminación de ruido superior y la preservación de bordes nítidos en problemas inversos volumétricos de baja relación señal-ruido sin riesgo de alucinaciones.
Este artículo propone y evalúa una nueva metodología de aumento de datos llamada C2GMA, que utiliza CycleGANs para generar imágenes interpoladas de dominio no visible a partir de imágenes visibles, logrando una mejora significativa en la clasificación de imágenes de Radar de Apertura Sintética (SAR) al superar las estrategias tradicionales.
El artículo presenta Dite-HRNet, una red de alta resolución ligera y dinámica que incorpora convolución de división dinámica y modelado de contexto adaptativo para capturar eficientemente interacciones a larga distancia y dependencias espaciales, logrando un rendimiento superior en la estimación de la pose humana en los conjuntos de datos COCO y MPII.
El artículo presenta CO^3, un método de aprendizaje no supervisado que combina el aprendizaje contrastivo cooperativo entre sensores LiDAR vehiculares e infraestructurales con la predicción del contexto de la forma para generar representaciones 3D superiores en escenarios de conducción autónoma al aire libre.
Este artículo propone un esquema de detección de fallos para paneles solares fotovoltaicos basado en una red neuronal convolucional (CNN) entrenada que clasifica las imágenes de las células en normales o defectuosas, logrando una precisión del 91,1 % en clasificación binaria y superando a estudios anteriores.
Este trabajo aborda el problema de la sobreoptimización de recompensas en la alineación de modelos de difusión proponiendo TDPO-R, un algoritmo que mitiga este fenómeno al explotar el sesgo inductivo temporal inherente y regularizar el sesgo de primacía mediante el reinicio de neuronas activas en el modelo crítico.