6563 artículos
Este artículo presenta MAILS, un nuevo marco de relocalización LiDAR sin mapas para drones que mejora la precisión mediante módulos de atención y codificación posicional robustos, y aborda la falta de datos adecuados mediante la creación de un conjunto de datos a gran escala con trayectorias de vuelo realistas.
El artículo presenta COOPERTRIM, un marco de selección de datos adaptativo que utiliza una métrica de incertidumbre temporal conformal para reducir drásticamente el uso del ancho de banda en la percepción cooperativa sin comprometer la precisión, al transmitir solo la información dinámica relevante y evitar la redundancia.
Diff-Aid es un método ligero e interpretable de inferencia que mejora la adherencia a prompts y la calidad visual en modelos de generación de imágenes rectificados mediante la adaptación dinámica de las interacciones entre texto e imagen durante el proceso de eliminación de ruido.
SceneTok es un tokenizador novedoso que comprime conjuntos de vistas de escenas 3D en un conjunto pequeño y desordenado de tokens permutables, logrando una compresión sin precedentes y una generación de escenas de alta calidad en solo 5 segundos mediante un decodificador ligero basado en flujo rectificado.
Los autores proponen un marco de destilación de datos multimodal sin aprendizaje que utiliza CLIP para extraer prototipos y un decodificador unCLIP para sintetizar imágenes, logrando una generalización superior entre arquitecturas sin necesidad de entrenamiento a gran escala ni optimización conjunta.
El artículo presenta One2Scene, un marco innovador que genera escenas 3D explorables y geométricamente consistentes a partir de una sola imagen mediante la descomposición del problema en la creación de vistas ancla panorámicas, la construcción de un andamio 3D explícito y la síntesis de nuevas vistas fotorealistas, superando así las limitaciones de distorsión y ruido de los métodos existentes.
Este artículo demuestra que el entrenamiento en tiempo de prueba (TTT) con vinculación KV no es un mecanismo de memorización, sino una forma de atención lineal aprendida que ofrece simplificaciones arquitectónicas, formulaciones paralelas más eficientes y una unificación teórica de sus variantes.
El artículo presenta FedVG, un marco de agregación federada que utiliza gradientes guiados por un conjunto de validación global para mitigar la deriva de los clientes y mejorar la generalización en entornos heterogéneos, superando a los métodos convencionales al priorizar la capacidad de adaptación de los modelos sobre el volumen de datos.
FlowFixer es un marco de refinamiento para la generación impulsada por sujetos que restaura los detalles finos perdidos mediante una traducción directa de imagen a imagen y un esquema de eliminación de ruido en un paso para el entrenamiento auto-supervisado, superando a los métodos actuales en la preservación de la fidelidad visual.
El artículo presenta PhysicEdit, un marco de edición de imágenes impulsado por un nuevo conjunto de datos de 38K trayectorias de transición física (PhysicTran38K) y un mecanismo de razonamiento dual texto-visual, que supera a los métodos actuales al generar resultados físicamente plausibles mediante la predicción de transiciones de estado en lugar de mapeos estáticos.
El artículo presenta SemVideo, un marco innovador que reconstruye videos dinámicos a partir de actividad cerebral fMRI mediante una guía semántica jerárquica que resuelve problemas de inconsistencia visual y coherencia temporal, logrando un nuevo estado del arte en alineación semántica y consistencia temporal.
El artículo presenta Association DETR, un nuevo modelo de detección de objetos que supera a los enfoques actuales al integrar información contextual del fondo para mejorar la precisión, logrando resultados de vanguardia en el conjunto de datos COCO val2017.
El artículo presenta GFRRN, una red que mejora la eliminación de reflejos en imágenes individuales mediante la alineación de modelos preentrenados, la unificación de etiquetas de entrenamiento y el uso de mecanismos de atención dinámica y aprendizaje de frecuencias para superar las brechas semánticas e inconsistencias de datos.
El artículo presenta SPATIALALIGN, un marco de auto-mejora que utiliza optimización directa de preferencias regularizada de orden cero y una nueva métrica basada en geometría llamada DSR-SCORE para mejorar la capacidad de los modelos de generación de video texto-a-video para representar relaciones espaciales dinámicas especificadas en los prompts.
El artículo presenta WARM-CAT, un enfoque innovador para el Aprendizaje Cero-Shot Composicional que mejora el rendimiento en pruebas mediante la acumulación de conocimiento multimodal no supervisado, un mecanismo de actualización adaptativa y una cola de prioridad dinámica inicializada con datos de entrenamiento, logrando resultados de vanguardia en múltiples conjuntos de datos, incluido el nuevo C-Fashion.
Este trabajo presenta el primer marco de supresión de eventos consciente del movimiento, un modelo ligero que segmenta y predice el movimiento de objetos en tiempo real para filtrar eventos dinámicos, logrando un rendimiento superior en el benchmark EVIMO y mejorando significativamente aplicaciones posteriores como la inferencia de Vision Transformers y la odometría visual basada en eventos.
Este artículo presenta una derivación teórica completa de una solución analítica unificada para la presión acústica generada por fuentes fotoacústicas con distribuciones de presión inicial simétricas esféricas, ofreciendo expresiones específicas para diversos perfiles de distribución y herramientas de simulación para el diseño de sistemas de imagen.
Este estudio presenta AV-LMMDetect, un modelo multimodal grande ajustado mediante fine-tuning supervisado sobre Qwen 2.5 Omni que supera o iguala a los métodos anteriores en la detección de deepfakes de audio y video, estableciendo un nuevo estado del arte en el conjunto de datos Mavos-DD.
Este estudio a gran escala desmitifica el diseño del espacio de acción en políticas de manipulación robótica, demostrando mediante más de 13.000 ejecuciones reales que predecir acciones delta mejora el rendimiento y que las representaciones en espacio de tareas y espacio articular ofrecen ventajas complementarias para la generalización y la estabilidad, respectivamente.
El artículo presenta DesignSense, un marco que incluye un nuevo dataset de 10.235 pares de preferencias humanas y un modelo de recompensa especializado, diseñado para superar las limitaciones de los modelos actuales y mejorar significativamente la calidad de la generación de diseños gráficos mediante la alineación con el juicio estético humano.