cs.CV artículos | Gist.Science

USF-Net: A Unified Spatiotemporal Fusion Network for Ground-Based Remote Sensing Cloud Image Sequence Extrapolation

El artículo presenta USF-Net, una red neuronal unificada que integra convoluciones de grandes kernels adaptativos y mecanismos de atención de bajo costo para mejorar la extrapolación de secuencias de imágenes de nubes en sistemas fotovoltaicos, superando las limitaciones de los métodos existentes en eficiencia y modelado de dependencias espaciotemporales, y acompañada del lanzamiento del nuevo conjunto de datos ASI-CIS.

Penghui Niu, Taotao Cai, Suqi Zhang + 4 more2026-02-27💻 cs

Breaking the Visual Shortcuts in Multimodal Knowledge-Based Visual Question Answering

Este trabajo identifica el problema de los "atajos visuales" en los benchmarks existentes de VQA multimodal basado en conocimiento, introduciendo el nuevo benchmark RETINA y el modelo MIMIR para forzar y evaluar la comprensión real de relaciones entre entidades en lugar de depender de coincidencias visuales superficiales.

Dosung Lee, Sangwon Jung, Boyoung Kim + 4 more2026-02-27💻 cs

Diffusion Model in Latent Space for Medical Image Segmentation Task

El artículo presenta MedSegLatDiff, un marco de difusión en espacio latente que combina un autoencoder variacional con un modelo de difusión para lograr una segmentación médica eficiente y probabilística, superando las limitaciones computacionales de los métodos generativos actuales y ofreciendo resultados competitivos en conjuntos de datos clínicos.

Huynh Trinh Ngoc, Toan Nguyen Hai, Ba Luong Son + 1 more2026-02-27🤖 cs.AI

ClimaOoD: Improving Anomaly Segmentation via Physically Realistic Synthetic Data

El artículo presenta ClimaDrive, un marco de generación de imágenes guiado por semántica que produce datos sintéticos físicamente realistas y diversos en condiciones climáticas para construir el benchmark ClimaOoD, el cual mejora significativamente la generalización y robustez de los modelos de segmentación de anomalías en entornos de conducción autónoma.

Yuxing Liu, Zheng Li, Huanhuan Liang + 3 more2026-02-27💻 cs

VLM-Pruner: Buffering for Spatial Sparsity in an Efficient VLM Centrifugal Token Pruning Paradigm

El artículo presenta VLM-Pruner, un algoritmo de poda de tokens sin entrenamiento que equilibra la redundancia y la dispersión espacial mediante un paradigma de poda centrífuga y un criterio de almacenamiento temporal para mejorar la eficiencia y el rendimiento de los modelos de visión y lenguaje.

Zhenkai Wu, Xiaowen Ma, Zhenliang Ni + 4 more2026-02-27🤖 cs.LG

Towards Seamless Interaction: Causal Turn-Level Modeling of Interactive 3D Conversational Head Dynamics

El artículo presenta TIMAR, un marco causal que modela la dinámica de cabezas conversacionales en 3D mediante un enfoque de regresión automática enmascarada a nivel de turno, logrando una mayor coherencia temporal y una reducción significativa en los errores de predicción en comparación con métodos existentes.

Junjie Chen, Fei Wang, Zhihao Huang + 5 more2026-02-27💻 cs

Thinking Beyond Labels: Vocabulary-Free Fine-Grained Recognition using Reasoning-Augmented LMMs

El artículo presenta FiNDR, un marco innovador basado en modelos de lenguaje multimodal aumentados con razonamiento que logra el reconocimiento visual de categorías finas sin vocabulario predefinido, superando significativamente a los métodos anteriores y demostrando que las etiquetas curadas por humanos no constituyen un límite superior para el rendimiento.

Dmitry Demidov, Zaigham Zaheer, Zongyan Han + 2 more2026-02-27💻 cs

Beyond Pixel Simulation: Pathology Image Generation via Diagnostic Semantic Tokens and Prototype Control

El artículo presenta UniPath, un marco de generación de imágenes patológicas impulsado por semántica que supera las limitaciones de la simulación de píxeles mediante el uso de tokens semánticos diagnósticos y control de prototipos, logrando un rendimiento superior y un control semántico preciso gracias a un nuevo corpus de datos y una evaluación especializada.

Minghao Han, Yichen Liu, Yizhou Liu + 5 more2026-02-27💻 cs

WebGym: Scaling Training Environments for Visual Web Agents with Realistic Tasks

El artículo presenta WebGym, el entorno de código abierto más grande hasta la fecha para entrenar agentes web visuales mediante aprendizaje por refuerzo en casi 300.000 tareas reales, logrando que un modelo adaptado supere significativamente a sistemas propietarios en pruebas de generalización.

Hao Bai, Alexey Taymanov, Tong Zhang + 2 more2026-02-27🤖 cs.LG

ThinkRL-Edit: Thinking in Reinforcement Learning for Reasoning-Centric Image Editing

El artículo presenta ThinkRL-Edit, un marco de aprendizaje por refuerzo centrado en el razonamiento que mejora la edición de imágenes basada en instrucciones mediante la desacoplación del razonamiento visual de la síntesis, la implementación de un muestreo con cadena de pensamiento para explorar hipótesis semánticas y el uso de recompensas binarias más precisas para superar las limitaciones actuales.

Hengjia Li, Liming Jiang, Qing Yan + 6 more2026-02-27💻 cs

MERGETUNE: Continued Fine-Tuning of Vision-Language Models

El artículo presenta MERGETUNE, una estrategia de ajuste fino continuo que utiliza la conectividad de modo lineal y un sustituto de segundo orden para recuperar el conocimiento preentrenado perdido en modelos de visión y lenguaje adaptados, mejorando así su generalización y robustez sin necesidad de replays de datos ni cambios arquitectónicos.

Wenqing Wang, Da Li, Xiatian Zhu + 1 more2026-02-27💻 cs

Molmo2: Open Weights and Data for Vision-Language Models with Video Understanding and Grounding

El artículo presenta Molmo2, una nueva familia de modelos de lenguaje visual de código abierto con pesos y datos totalmente accesibles que, gracias a un conjunto de siete nuevos datasets de video y una receta de entrenamiento innovadora, logran un rendimiento superior en la comprensión de video y en tareas de fundamentación espacial (como el seguimiento y la indicación por puntos), superando tanto a los modelos de código abierto existentes como a algunos modelos propietarios.

Christopher Clark, Jieyu Zhang, Zixian Ma + 18 more2026-02-27🤖 cs.AI

A Pragmatic VLA Foundation Model

El artículo presenta LingBot-VLA, un modelo fundacional de visión-lenguaje-acción entrenado con 20.000 horas de datos reales que demuestra una superioridad generalizadora y una eficiencia computacional notable en múltiples plataformas robóticas, acompañada de la publicación abierta de su código, modelo base y datos de evaluación.

Wei Wu, Fan Lu, Yunnan Wang + 22 more2026-02-27💻 cs

Visible Light Positioning With Lamé Curve LEDs: A Generic Approach for Camera Pose Estimation

Este artículo presenta un algoritmo genérico de posicionamiento por luz visible (LC-VLP) que utiliza curvas de Lamé como representación unificada de formas de LED para estimar la pose de la cámara, logrando una mayor precisión y robustez en escenarios heterogéneos en comparación con los métodos actuales.

Wenxuan Pan, Yang Yang, Dong Wei + 4 more2026-02-27⚡ eess

VQ-Style: Disentangling Style and Content in Motion with Residual Quantized Representations

El artículo presenta VQ-Style, un método novedoso que utiliza RVQ-VAEs y aprendizaje contrastivo para desentrelazar eficazmente el contenido y el estilo en datos de movimiento humano, permitiendo la transferencia de estilo sin necesidad de ajuste fino mediante una técnica de intercambio de códigos cuantizados.

Fatemeh Zargarbashi, Dhruv Agrawal, Jakob Buhmann + 3 more2026-02-27🤖 cs.AI

OneVision-Encoder: Codec-Aligned Sparsity as a Foundational Principle for Multimodal Intelligence

El artículo presenta OneVision-Encoder, un modelo que alinea la arquitectura de visión con los principios de compresión de los códecs mediante una escasez de parches coordinada, logrando así una mayor eficiencia y precisión en la comprensión multimodal al centrarse exclusivamente en las regiones de alta entropía de la información.

Feilong Tang, Xiang An, Yunyao Yan + 16 more2026-02-27💻 cs

HLGFA: High-Low Resolution Guided Feature Alignment for Unsupervised Anomaly Detection

El artículo presenta HLGFA, un marco de alineación de características guiado por resoluciones alta y baja que detecta anomalías industriales sin supervisión al modelar la consistencia entre representaciones de diferentes resoluciones, logrando un rendimiento superior en benchmarks como MVTec AD sin depender de la reconstrucción a nivel de píxel.

Han Zhou, Yuxuan Gao, Yinchao Du + 1 more2026-02-27💻 cs

GigaBrain-0.5M*: a VLA That Learns From World Model-Based Reinforcement Learning

El artículo presenta GigaBrain-0.5M*, un modelo de visión-lenguaje-acción que supera las limitaciones de los enfoques tradicionales al integrar aprendizaje por refuerzo basado en modelos del mundo mediante RAMP, logrando mejoras significativas del 30% en tareas complejas y una ejecución robusta a largo plazo en entornos reales.

GigaBrain Team, Boyuan Wang, Bohan Li + 23 more2026-02-27💻 cs

PCReg-Net: Progressive Contrast-Guided Registration for Cross-Domain Image Alignment

El artículo presenta PCReg-Net, un marco de registro de imágenes progresivo y guiado por contraste que supera los desafíos de la alineación entre dominios heterogéneos mediante una alineación de lo grueso a lo fino con cuatro módulos ligeros, logrando un rendimiento en tiempo real y una alta fidelidad en benchmarks de imágenes retinianas y microscópicas.

Jiahao Qin2026-02-27🤖 cs.AI

Benchmarking Video Foundation Models for Remote Parkinson's Disease Screening

Este estudio presenta una evaluación sistemática a gran escala de siete modelos fundacionales de video para la detección remota de la enfermedad de Parkinson, demostrando que el rendimiento varía significativamente según la arquitectura y la tarea clínica específica, con resultados que van desde un 76,4 % hasta un 85,3 % de AUC y que subrayan la necesidad de calibrar los modelos y combinar múltiples tareas para mejorar la sensibilidad.

Md Saiful Islam, Ekram Hossain, Abdelrahman Abdelkader + 11 more2026-02-27💻 cs

← Anterior Siguiente →