7072 artículos
Este artículo presenta MNAS-Unet, un marco innovador que combina la Búsqueda de Arquitectura Neuronal con Búsqueda por Árbol Monte Carlo para optimizar la segmentación de imágenes médicas, logrando mayor precisión, una reducción del 54% en el presupuesto de búsqueda y un modelo ligero de solo 0.6M de parámetros en comparación con los métodos existentes.
El artículo presenta AeroDGS, un marco de reconstrucción 4D basado en *Gaussian Splatting* que utiliza guías físicas y un módulo de elevación geométrica para superar las ambigüedades de la visión monocular en videos aéreos de UAV, logrando una reconstrucción dinámica precisa y físicamente consistente en entornos reales.
Este estudio presenta un marco de aprendizaje profundo con una función de pérdida de atención enfocada en órganos (OFA) que predice la malignidad de tumores renales en tomografías computarizadas 3D sin necesidad de segmentación manual, logrando un rendimiento superior a los modelos tradicionales y ofreciendo una herramienta más eficiente para la toma de decisiones clínicas.
Este trabajo identifica que los artefactos en los Vision Transformers se originan en una agregación perezosa que utiliza parches de fondo irrelevantes como atajos semánticos, y propone una solución que integra selectivamente las características de los parches en el token CLS para mitigar este problema y mejorar el rendimiento en múltiples tareas de supervisión.
MolFM-Lite es un modelo de aprendizaje profundo multimodal que mejora la predicción de propiedades moleculares mediante la fusión atenta de representaciones 1D, 2D y 3D (incluyendo conjuntos de conformeros ponderados termodinámicamente) y el condicionamiento contextual, logrando mejoras significativas en rendimiento sobre enfoques unimodales.
El artículo presenta SimpleOCR, una estrategia de entrenamiento plug-and-play que utiliza preguntas visualizadas para obligar a los modelos de lenguaje multimodal a procesar activamente el texto en imágenes, superando así la "pereza modal" y mejorando significativamente su rendimiento en tareas de OCR sin necesidad de modificaciones arquitectónicas.
Este artículo demuestra la viabilidad de ejecutar modelos de lenguaje grandes multimodales en dispositivos de borde para la recuperación de memoria episódica en tiempo real, logrando resultados competitivos en precisión y latencia que preservan la privacidad sin depender de la nube.
El artículo presenta MammoWise, un pipeline local y reproducible que utiliza modelos de lenguaje visuales de código abierto, técnicas de prompting avanzado y recuperación aumentada por generación (RAG) para automatizar la generación de informes y la clasificación en mamografías, demostrando que el ajuste fino eficiente de MedGemma mejora significativamente la precisión en la evaluación de BI-RADS, densidad mamaria y calcificaciones.
Este artículo propone la Post-entrenamiento Guiado por Sintaxis Espacial (SSPT), un paradigma que integra conocimientos de sintaxis espacial en modelos generativos de planos residenciales mediante un oráculo no diferenciable y estrategias de aprendizaje por refuerzo, logrando así una jerarquía funcional más clara y una mayor dominancia de espacios públicos en comparación con los modelos basados únicamente en distribuciones de datos.
Pix2Key es un enfoque de recuperación de imágenes compuestas que representa consultas y candidatos como diccionarios visuales de vocabulario abierto mediante aprendizaje auto-supervisado, logrando así una coincidencia de intenciones más precisa y una mayor diversidad en los resultados sin necesidad de triplets supervisados.
Este artículo presenta HARU-Net, una nueva arquitectura de red neuronal que combina mecanismos de atención híbrida y aprendizaje residual para eliminar eficazmente el ruido en imágenes de tomografía computarizada de haz cónico (CBCT) de baja dosis, logrando una preservación de bordes superior y una mayor calidad diagnóstica con un costo computacional reducido en comparación con los métodos actuales.
El artículo presenta DisQ-HNet, un marco de síntesis de imágenes multimodales cuantizado y desentrelazado que genera PET de tau a partir de resonancias magnéticas T1 y FLAIR, logrando alta fidelidad y ofreciendo interpretabilidad mediante el análisis de la contribución específica de cada modalidad a la patología del Alzheimer.
DrivePTS es un marco de aprendizaje progresivo que mejora la generación de escenas de conducción mediante el uso de descripciones jerárquicas multimodales y una pérdida de estructura guiada por frecuencias para resolver las dependencias entre condiciones geométricas y aumentar el detalle semántico y estructural.
SwiftNDC es un marco rápido y general que utiliza un campo de corrección de profundidad neuronal para generar mapas de profundidad consistentes entre vistas y una geometría densa inicial, lo que acelera significativamente la reconstrucción de mallas y mejora la calidad de la síntesis de vistas novedosas mediante la optimización de la inicialización para el Splatting Gaussiano 3D.
El artículo propone QARMVC, un marco innovador de agrupamiento multivista robusto que supera las limitaciones de los métodos existentes al cuantificar y mitigar el ruido de observación heterogéneo mediante un mecanismo de cuello de botella de información y una estrategia de aprendizaje jerárquico ponderado por la calidad.
Este trabajo expone una crítica falacia de evaluación en la generación de imágenes texto-a-imagen, donde los modelos de preferencia humana favorecen sesgadamente escalas de guía altas que degradan la calidad visual, y propone un nuevo marco de evaluación (GA-Eval) y un método de guía (TDG) para desentrañar mejoras reales de estas ilusiones métricas.
GIFSplat es un marco de refinamiento iterativo puramente feed-forward que mejora la reconstrucción 3D a partir de vistas escasas mediante actualizaciones residuales y la incorporación de un prior generativo distilado, logrando un rendimiento superior al estado del arte con inferencia en segundos sin necesidad de poses de cámara ni optimización de gradientes en tiempo de prueba.
Este trabajo presenta CMDM, un marco unificado basado en un transformador de difusión causal y un espacio latente alineado semánticamente que permite la generación autoregresiva de movimiento humano de alta calidad, en tiempo real y sin errores acumulativos, superando a los modelos existentes en fidelidad semántica y suavidad temporal.
BetterScene es un enfoque que mejora la síntesis de nuevas vistas en escenas reales con fotos extremadamente dispersas al integrar un modelo de salpicadura gaussiana 3D con un modelo generativo SVD preentrenado, optimizando su módulo VAE mediante regularización de equivalencia temporal y representaciones alineadas con modelos de visión fundamentales para eliminar artefactos y garantizar consistencia.
Este artículo presenta -DPO, un nuevo marco de optimización directa de preferencias que aborda simultáneamente el olvido catastrófico y los sesgos por desequilibrio de datos en el aprendizaje continuo de modelos multimodales grandes, logrando un rendimiento superior al estado del arte en múltiples benchmarks.