6656 artículos
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
Este artículo presenta el marco DVI, que mejora sustancialmente la respuesta a preguntas en documentos técnicos visualmente densos al eliminar la ingestión visual previa y utilizar un índice jerárquico automático basado en la estructura del documento, logrando así una precisión significativamente superior a los métodos tradicionales de recuperación por similitud de embeddings.
Este artículo demuestra que es factible recuperar la profundidad a partir de imágenes desenfocadas mediante un enfoque de optimización global basado en minimización alternada, el cual combina optimización convexa y búsqueda paralela en cuadrícula para lograr resultados superiores en resolución a los métodos de aprendizaje profundo actuales.
Este artículo presenta códigos latentes de Hadamard, una representación compacta que permite el renderizado espectral eficiente mediante operaciones RGB estándar y una decodificación posterior, logrando una alta precisión de color con un coste computacional significativamente menor que los métodos espectrales tradicionales.
Este trabajo propone un marco de desentrelazamiento de color de piel que, mediante la descomposición de factores ambientales e intrínsecos en un espacio latente estructurado y técnicas de decoloración aleatoria, permite la edición contrapuntual y la normalización de imágenes dermatológicas para mejorar la equidad y el rendimiento en la clasificación de lesiones cutáneas.
El artículo presenta FUSAR-GPT, un modelo de lenguaje visual diseñado específicamente para imágenes SAR que, mediante la integración de características espacio-temporales y una estrategia de ajuste fino en dos etapas, supera significativamente a los modelos existentes en la interpretación inteligente de datos de radar de apertura sintética.
El artículo presenta DICArt, un marco novedoso que aborda la estimación de pose de objetos articulados mediante un proceso de difusión condicional en espacios discretos, integrando un decisor de flujo dinámico y una estrategia de acoplamiento cinemático jerárquico para superar las limitaciones de los métodos continuos existentes y lograr una estimación de pose 6D más robusta y precisa.
El artículo presenta TextPecker, una estrategia de aprendizaje por refuerzo plug-and-play que supera las limitaciones de los modelos actuales para detectar anomalías estructurales en el texto generado, logrando mejoras significativas en la fidelidad estructural y la alineación semántica del renderizado visual de texto.
El trabajo presenta NoRD, un modelo de visión-lenguaje-acción para la conducción autónoma que logra un rendimiento competitivo utilizando menos del 60% de los datos de entrenamiento y sin anotaciones de razonamiento, superando las limitaciones de la optimización estándar mediante el algoritmo Dr. GRPO para mitigar el sesgo de dificultad.