6740 artículos
El artículo presenta IV-tuning, un método de aprendizaje por transferencia eficiente en parámetros que supera a los enfoques actuales en tareas infrarrojo-visibles al evitar el ajuste completo de modelos preentrenados, logrando así una mejor generalización y eficiencia computacional con solo un 3% de parámetros entrenables.
El artículo presenta MomentMix, una técnica de aumento de datos que combina ForegroundMix y BackgroundMix, junto con un Decodificador Consciente de la Longitud (Length-Aware Decoder) basado en DETR, para mejorar significativamente la recuperación de momentos breves en videos y superar el estado del arte en conjuntos de datos como QVHighlights, TACoS y Charades-STA.
Este trabajo presenta JOSH, un método de optimización conjunta que reconstruye en 4D la interacción entre humanos y entornos a partir de videos monoculares del mundo real, y su variante JOSH3R, un modelo entrenado con pseudoetiquetas derivadas de JOSH que supera a otros métodos sin optimización.
Este artículo demuestra que los purificadores adversarios no basados en difusión pueden superar a los modelos de difusión en robustez, transferibilidad y generalización de color, logrando incluso un rendimiento superior en ImageNet sin necesidad de datos adicionales más allá del conjunto de entrenamiento.
Este trabajo presenta Dual-IPO, un paradigma de optimización iterativa dual que mejora simultáneamente un modelo de recompensa y un modelo de generación de video mediante retroalimentación mutua, logrando una mayor alineación con las preferencias humanas y una calidad de síntesis superior sin necesidad de anotaciones manuales tediosas.
El artículo presenta RelaCtrl, un marco de generación controlada eficiente que optimiza la integración de señales de control en los Transformadores de Difusión mediante la evaluación de la relevancia de cada capa y el uso de un mezclador de barajado bidimensional, logrando un rendimiento superior con solo el 15% de los parámetros y la complejidad computacional de métodos existentes como PixArt-delta.
Este trabajo presenta U-F²-CBM, un modelo de botella de conceptos que convierte cualquier clasificador visual congelado en un sistema interpretable sin necesidad de CLIP, etiquetas de imagen-concepto ni anotaciones manuales, logrando un rendimiento superior al estado del arte en tareas de clasificación y descripción de imágenes.
El artículo presenta UniFuture, un modelo unificado de mundo 4D para la conducción autónoma que genera secuencias futuras de imágenes y mapas de profundidad geométricamente consistentes mediante un esquema de compartición de latentes duales y un mecanismo de interacción multiescala, superando así las limitaciones de los modelos existentes que tratan por separado la apariencia y la geometría.
Este artículo presenta GmNet, un modelo ligero que, inspirado en el teorema de convolución y analizado desde una perspectiva de frecuencia, revisa los mecanismos de puerta para mitigar el sesgo de baja frecuencia y mejorar el rendimiento en la clasificación de imágenes.
El artículo presenta ViT-Linearizer, un marco de destilación que transfiere el conocimiento de los Transformers de Visión (ViT) a modelos recurrentes de complejidad lineal mediante coincidencia de activaciones y predicción enmascarada, logrando así una mayor eficiencia computacional en imágenes de alta resolución y un rendimiento competitivo en ImageNet.
El artículo presenta LAMM-ViT, un transformador de visión que utiliza modulación de enmascaramiento consciente de la capa y atención guiada por regiones para detectar de manera robusta rostros generados por IA, logrando un rendimiento superior y una mejor generalización frente a modelos de síntesis novedosos.
Este artículo propone un marco de detección de objetos 3D basado en la destilación de conocimiento con predicción de reflectancia (RPKD) que, al descartar la reflectancia durante la transmisión comprimida y reconstruirla mediante un módulo de predicción geométrica, mejora la robustez y precisión de la detección en sistemas de percepción colaborativa con ancho de banda limitado.
El artículo presenta BriGeS, un método eficiente que fusiona modelos fundacionales geométricos y semánticos mediante una Puente de Conexión y un ajuste de temperatura de atención para mejorar la estimación de profundidad monoculosa generalizada con un entrenamiento mínimo.
Este trabajo propone un método de "imaginación dispersa" que optimiza la planificación de modelos de mundo visuales en robótica reduciendo la carga computacional mediante una estrategia de atención grupal aleatorizada, lo que permite una ejecución en tiempo real sin sacrificar la precisión del control.
El artículo presenta LinGuinE, un marco de trabajo en PyTorch que combina registro de imágenes y segmentación guiada para lograr un seguimiento de lesiones y una segmentación volumétrica precisa en estudios longitudinales de tumores a partir de una sola indicación del radiólogo, sin necesidad de entrenamiento en datos longitudinales y logrando un rendimiento superior al estado del arte.
Este trabajo presenta un marco novedoso basado en el Puente de Schrödinger y difusión condicional guiada por retroalimentación humana binaria para la traducción de imágenes CBCT a MDCT, que elimina eficazmente los artefactos de sombreado preservando la fidelidad anatómica y superando a los métodos anteriores con solo 10 pasos de muestreo.
Este trabajo aborda el desafío de la escasez de datos en la segmentación de imágenes médicas proponiendo un marco basado en la intercambiabilidad en lugar de la independencia e identidad distribuida (i.i.d.), el cual controla las discrepancias de características entre fondos y primeros planos para mitigar los desplazamientos de distribución y lograr un rendimiento superior al estado del arte en múltiples conjuntos de datos.
El artículo presenta LayerT2V, un marco unificado de generación de video que, aprovechando la compresión de los modelos actuales y un nuevo conjunto de datos llamado VidLayer, produce en una sola inferencia videos completos junto con sus capas de fondo y primer plano correspondientes, garantizando una coherencia semántica y temporal superior para flujos de trabajo profesionales.
El artículo presenta RAP, un marco unificado que utiliza transformadores de difusión de video para generar retratos parlantes de alta calidad en tiempo real mediante un mecanismo de atención híbrido y un paradigma de entrenamiento-inferencia estático-dinámico que supera las limitaciones de latencia y memoria de los métodos existentes.
El artículo presenta MixCache, un marco de inferencia sin entrenamiento para modelos de difusión de video que acelera significativamente la generación mediante una estrategia de activación contextual y una decisión híbrida adaptativa que combina múltiples granularidades de caché para equilibrar velocidad y calidad.