6121 artículos
Este artículo propone un método que inserta marcas de agua robustas durante la inferencia de modelos generativos, como los de difusión, para identificar el contenido sintético y sus usuarios sin necesidad de reentrenar el modelo, garantizando resistencia ante perturbaciones y ataques de eliminación.
El método JiSAM alivia la carga de etiquetado y aborda los casos extremos en la conducción autónoma mediante una estrategia de aumento de datos y alineación que permite lograr un rendimiento comparable al de modelos entrenados con todos los datos reales utilizando solo el 2,5% de ellos junto con datos sintéticos.
El modelo ARPG introduce un marco de decodificación desacoplado que permite la generación paralela aleatoria de imágenes, superando las limitaciones de eficiencia y generalización de los enfoques autoregresivos convencionales para lograr una inferencia 30 veces más rápida y un consumo de memoria 75% menor en la generación de imágenes de alta calidad.
Este trabajo propone un método novedoso para generar datos sintéticos de escenas 3D semánticas realistas sin depender de proyecciones ni modelos desacoplados, demostrando que el uso de estos datos generados mejora el rendimiento de las redes de segmentación semántica y reduce la necesidad de anotación manual.
Este artículo presenta TextCrafter, un marco de generación de texto visual complejo que integra mecanismos de aislamiento y atención selectiva mediante aprendizaje por refuerzo para lograr un rendimiento superior en la generación de texto preciso y sin alucinaciones, superando a modelos industriales a pesar de utilizar recursos computacionales significativamente menores.
El artículo presenta KARMMA, un marco de destilación de conocimiento multimodal para el reconocimiento de acciones egocéntricas que garantiza robustez ante la falta de modalidades y eficiencia computacional sin requerir alineación de modalidades durante el entrenamiento ni la inferencia.
Los autores investigan qué parámetros de generación procedural producen los mejores datos sintéticos para la coincidencia estereoscópica en cero disparos, creando un nuevo conjunto de datos de código abierto que supera a los existentes y es competitivo con los métodos más avanzados.
FermatSyn es un nuevo método para la síntesis de imágenes médicas multimodales que combina un codificador basado en SAM2, un módulo de muestreo residual jerárquico y una estrategia de escaneo en espiral de Fermat dentro de una arquitectura Mamba bidireccional para lograr una consistencia anatómica global y detalles locales de alta fidelidad, superando a los métodos actuales en métricas de calidad y utilidad clínica.
Este artículo examina la integración de métodos basados en grafos para el análisis de series temporales de imágenes satelitales, presentando una metodología versátil, una revisión exhaustiva y casos de estudio que demuestran su eficacia en tareas como el mapeo de cobertura terrestre y la previsión de recursos hídricos.
El artículo presenta MIRAGE, un marco eficiente para la restauración de imágenes agnóstico a la degradación que combina una descomposición funcional por canales y una regularización de variedad para lograr un equilibrio superior entre rendimiento y eficiencia en diversos escenarios de corrupción.
El artículo presenta OmniFall, un conjunto de datos unificado que combina grabaciones escenificadas, sintéticas y del mundo real con anotaciones densas para establecer un nuevo estándar en la detección de caídas robusta y que preserve la privacidad.
Cora es un nuevo marco de edición de imágenes basado en difusión en pocos pasos que utiliza corrección de ruido consciente de la correspondencia y mapas de atención interpolados para lograr deformaciones no rígidas y modificaciones de objetos precisas, manteniendo la estructura, la textura y la identidad de la imagen original mejor que los métodos existentes.
Este artículo presenta ECAM, un módulo basado en aprendizaje contrastivo que se integra en modelos de predicción de trayectorias para mejorar significativamente la evitación de colisiones con obstáculos ambientales, reduciendo la tasa de colisiones en un 40-50% en los conjuntos de datos ETH/UCY.
El artículo presenta LLM-EMF, un enfoque novedoso que mejora la recomendación secuencial entre dominios mediante la fusión de datos multimodales enriquecidos con conocimiento de modelos de lenguaje grandes (LLM) y un mecanismo de atención múltiple, demostrando un rendimiento superior en cuatro conjuntos de datos de comercio electrónico.
El artículo presenta LTKD, un marco novedoso que reformula la destilación de conocimiento en componentes de pérdida entre y dentro de grupos para mitigar el sesgo inherente de los modelos maestros en distribuciones de cola larga y lograr una transferencia de conocimiento equilibrada.
El artículo presenta DyME, un nuevo paradigma de entrenamiento que equilibra dinámicamente la memorización (mediante SFT) y la exploración (mediante RLVR), complementado con supervisión visual, para potenciar las capacidades de razonamiento de los modelos de visión-idioma a pequeña escala sin requerir una gran capacidad base.
El artículo presenta SelvaBox, el conjunto de datos abierto más grande para la detección de copas de árboles tropicales en imágenes de drones de alta resolución, el cual, al contener más de 83.000 etiquetas manuales, demuestra que los modelos entrenados con él logran un rendimiento competitivo y superior en la detección de copas tanto en datos no vistos como en entornos multirresolución.
Este trabajo propone un marco de ataque adversarial basado en conceptos que, desde una perspectiva probabilística, genera ejemplos adversarios diversos y eficientes al operar sobre distribuciones de conceptos en lugar de modificar imágenes individuales, garantizando así la preservación de la identidad subyacente.
Este trabajo presenta el uso de Máquinas de Refuerzo Explicables (EBM) como un algoritmo de aprendizaje automático interpretable y guiado por el conocimiento humano para identificar cúspides sobresalientes en imágenes satelitales, demostrando que, aunque su precisión es inferior a la de modelos más complejos, ofrece una estrategia transparente y colaborativa crucial para aplicaciones meteorológicas de alto riesgo.
El artículo presenta pFedMMA, un marco de aprendizaje federado personalizado que utiliza adaptadores multimodales para lograr un equilibrio óptimo entre la personalización local y la generalización global en modelos de visión y lenguaje, superando a los métodos existentes mediante una estrategia de comunicación eficiente que comparte únicamente proyecciones alineadas.