6478 artículos
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.
El artículo presenta RnG, un Transformer unificado de avance que supera las limitaciones de los modelos de reconstrucción 3D existentes al inferir tanto la geometría visible como la oculta a partir de observaciones parciales mediante un mecanismo de atención causal guiado por la reconstrucción, logrando así un rendimiento de vanguardia en la generación de vistas nuevas y la reconstrucción 3D generalizable en tiempo real.
El artículo presenta VisNec, un marco de selección de datos que mide la necesidad visual para identificar y priorizar muestras críticas en el ajuste de instrucciones multimodales, logrando un rendimiento superior con una fracción mínima de los datos de entrenamiento.
CoSMo3D aborda la fragilidad de la segmentación semántica 3D en mundos abiertos al introducir un marco de referencia canónico latente guiado por LLM que alinea datos y estabiliza la percepción de partes funcionales independientemente de la pose, logrando así un nuevo estado del arte en la tarea.
Este trabajo presenta un modelo de lenguaje visual (VLM) ajustado finamente que estima la posición 3D de objetos a partir de imágenes monoculares y comandos de lenguaje natural para mejorar la interacción humano-robot, logrando una precisión mediana de 13 mm y una mejora de cinco veces frente a un modelo base sin ajuste.
Este artículo presenta SafeEditBench, un nuevo conjunto de datos para evaluar la generalización de modelos de visión-lingüística bajo diferentes políticas de seguridad, y propone SafeGuard-VL, un método basado en aprendizaje por refuerzo con recompensas verificables que supera las limitaciones de adaptación de los enfoques tradicionales ante políticas cambiantes.
AgilePruner es un estudio empírico que analiza las limitaciones de los métodos de poda de tokens visuales basados en atención y diversidad en los Modelos Grandes de Visión y Lenguaje, revelando que la diversidad conservada se correlaciona con alucinaciones y que el rendimiento óptimo depende de la complejidad de la imagen, lo que lleva al desarrollo de un mecanismo de poda adaptativa que mejora el rendimiento y reduce las alucinaciones.
El desafío MAMA-MIA presenta un nuevo marco de evaluación a gran escala que utiliza datos de múltiples instituciones en Estados Unidos y Europa para superar las limitaciones de generalización y equidad de los modelos actuales de inteligencia artificial en la segmentación de tumores y la predicción de respuesta al tratamiento en resonancia magnética mamaria.
Este trabajo propone un método que incorpora una modalidad de imagen complementaria (como la tomografía computarizada de rayos X) para guiar modelos de difusión sin necesidad de reentrenarlos, logrando así reconstrucciones de alta calidad a partir de datos escasos en tomografía computarizada de neutrones.
Este artículo presenta un marco unificado que integra la optimización de grafos de factores con estimación certificable, demostrando que la preservación de la estructura del grafo bajo relajaciones convexas permite implementar métodos de verificación global utilizando las mismas bibliotecas y flujos de trabajo maduros ya empleados en robótica y visión por computadora.
El artículo presenta FoSS, un marco de doble rama que integra el razonamiento en el dominio de la frecuencia con modelos de espacio de estado selectivos para lograr predicciones de trayectoria de vanguardia en la conducción autónoma, equilibrando con eficiencia la captura de dependencias a largo plazo y la incertidumbre multimodal mientras reduce significativamente los costos computacionales y de parámetros.
Este trabajo propone un marco de aprendizaje multitarea para el análisis de ultrasonidos mamarios que supera las limitaciones de los enfoques convencionales mediante una interacción bidireccional a múltiples niveles entre decodificadores y un mecanismo de coordinación adaptativa basado en la incertidumbre, logrando así una segmentación y clasificación de lesiones más precisas y robustas.
Este estudio demuestra que el aprendizaje por refuerzo (RL) mejora principalmente la precisión y eficiencia de muestreo de los modelos de visión y lenguaje médicos cuando ya existe una base sólida de razonamiento obtenida mediante ajuste fino supervisado (SFT), proponiendo una estrategia de entrenamiento que combina ambos enfoques para lograr un alto rendimiento en diversos benchmarks médicos.
El paper presenta AG-VAS, un marco de segmentación de anomalías visuales sin ejemplos que aprovecha modelos multimodales grandes mediante tokens de anclaje semántico aprendibles y una alineación cruzada mejorada para lograr un rendimiento superior en la detección de anomalías en escenarios de ceros ejemplos.
Este trabajo presenta una evaluación comparativa que demuestra que, aunque los modelos de visión de vocabulario abierto ofrecen ventajas para la adaptación a nuevos desastres, el aprendizaje supervisado sigue siendo el enfoque más fiable para la segmentación semántica y la detección de objetos en escenas post-desastre cuando existen anotaciones específicas y se requiere precisión en objetos pequeños y bordes complejos.
El artículo presenta NVB-Face, un método innovador de una sola etapa que genera vistas nuevas consistentes y de alta calidad directamente a partir de una única imagen de rostro degradada, superando las limitaciones de los enfoques tradicionales de dos etapas al evitar la dependencia de una restauración previa.
El artículo presenta PEFD, un marco de ajuste fino equivariante a la perspectiva que permite la desmosaico de imágenes multiespectrales sin necesidad de datos de referencia, aprovechando la geometría proyectiva y modelos fundacionales preentrenados para lograr un rendimiento superior en datasets médicos y automotrices.
El artículo presenta MixerCSeg, una arquitectura eficiente para la segmentación de grietas que combina ventajas de CNN, Transformers y Mamba mediante componentes como TransMixer y DEGConv, logrando un rendimiento de vanguardia con una complejidad computacional mínima.