7337 artículos
Este trabajo presenta un método de generación de imágenes autoregresivas multiescala basado en tableros de ajedrez progresivos que permite muestrear regiones independientes en paralelo manteniendo dependencias mutuas, logrando un rendimiento competitivo en ImageNet con menos pasos de muestreo.
El artículo presenta V-Retrver, un marco de recuperación multimodal impulsado por evidencia que reformula el proceso como un razonamiento agencial interactivo, donde un modelo de lenguaje multimodal utiliza herramientas visuales externas para verificar activamente la información y superar las limitaciones de los enfoques puramente lingüísticos, logrando mejoras significativas en la precisión y fiabilidad del razonamiento.
Este estudio demuestra que, aunque los modelos fundacionales alcanzan una discriminación equivalente a los modelos específicos en la detección de lesiones intestinales por trauma abdominal, su menor especificidad se debe principalmente a la heterogeneidad de las patologías concurrentes en la clase negativa, lo que indica la necesidad de un entrenamiento específico antes de su implementación clínica.
Este trabajo propone un marco de descomposición tensorial multi-vista que, al analizar videos de pasos a nivel mediante embeddings de TimeSformer, descubre patrones conductuales latentes agrupados principalmente por ubicación geográfica más que por la hora del día, permitiendo así intervenciones de seguridad más dirigidas.
MALLVI es un marco de trabajo basado en agentes múltiples y modelos de lenguaje y visión que mejora la manipulación robótica mediante un bucle de retroalimentación cerrado y la coordinación de agentes especializados para lograr una mayor generalización y tasas de éxito en tareas de manipulación sin entrenamiento previo.
Este trabajo propone PixTrace y CopyNCE, dos innovaciones que combinan el rastreo de coordenadas de píxeles con una pérdida de contraste guiada geométricamente para mejorar la detección de copias en imágenes mediante el aprendizaje de correspondencias finas y la reducción de ruido en el entrenamiento auto-supervisado.
Este artículo presenta DCAG, un marco de edición de imágenes sin entrenamiento para Transformadores de Difusión (DiT) que, al manipular simultáneamente los canales de Clave y Valor para aprovechar su estructura de sesgo-delta, logra un control más preciso sobre la fidelidad de la edición en comparación con los métodos existentes que solo utilizan el canal de Clave.
Este trabajo introduce las Redes Neuronales Hiperbólicas Busemann (HBNN), que elevan la regresión logística multinomial y las capas totalmente conectadas al espacio hiperbólico mediante funciones de Busemann, logrando mejoras en eficacia y eficiencia para datos jerárquicos en comparación con capas hiperbólicas anteriores.
El artículo presenta GS-CLIP, un marco de aprendizaje profundo que mejora la detección de anomalías 3D sin datos de entrenamiento mediante prompts de texto conscientes de la geometría y un aprendizaje sinérgico de representaciones visuales que fusiona imágenes renderizadas y de profundidad.
El artículo presenta TherA, un marco de traducción de imágenes RGB a infrarrojos térmicos impulsado por un modelo de difusión latente y un VLM consciente de la física térmica, que genera datos sintéticos térmicamente plausibles y controlables mediante prompts, superando significativamente a los métodos existentes.
Los autores proponen un marco de aprendizaje múltiple (MIL) regularizado espacialmente que aprovecha las relaciones espaciales intrínsecas entre parches como señal de regularización independiente de las etiquetas para superar los desafíos de supervisión escasa en el análisis de imágenes de diapositivas completas, logrando mejoras significativas sobre los métodos actuales.
RAYNOVA es un modelo fundacional de mundo para escenarios de conducción que, mediante un marco autorregresivo dual basado en codificación posicional de rayos de Plücker y atención global, genera videos multivista de alta calidad y generalizable sin depender de priores geométricos 3D explícitos.
Este trabajo presenta MMHNet, una arquitectura de redes jerárquicas multimodales que integra Mamba no causal para superar el desafío de la generalización de longitud en la generación de audio a partir de video, permitiendo crear pistas de audio de más de cinco minutos sin necesidad de entrenar con secuencias largas.
Este trabajo presenta cVMDx, un marco de predicción de trayectorias basado en modelos de difusión que utiliza muestreo DDIM para lograr una reducción de 100 veces en el tiempo de inferencia y una estimación robusta de incertidumbre multimodal, superando en precisión y eficiencia al modelo cVMD en el conjunto de datos highD.
Este artículo presenta un estudio sistemático sobre las leyes de escalado para transformadores de síntesis de vistas, demostrando que una arquitectura codificador-decodificador llamada SVSM alcanza un rendimiento óptimo en relación con el cómputo y supera a los modelos anteriores con menos recursos de entrenamiento.
El artículo presenta RelA-Diffusion, un marco de difusión adversarial relativista que sintetiza imágenes de PET multi-rastreador a partir de resonancias magnéticas multimodales (T1 y T2-FLAIR) mediante una pérdida adversarial con penalización de gradiente, logrando una mayor fidelidad visual y cuantitativa que los métodos existentes para la evaluación neurológica.
Este trabajo presenta un marco de difusión de video para el quirófano que sintetiza eventos rutinarios y raros a partir de representaciones geométricas abstractas, superando a los métodos existentes y permitiendo entrenar modelos de inteligencia artificial para detectar violaciones críticas de esterilidad.
El artículo presenta MMLoP, un marco de aprendizaje de prompts multi-modal que utiliza factorización de bajo rango para lograr una adaptación eficiente de modelos visión-idioma con solo 11.5K parámetros entrenables, superando en rendimiento y generalización a métodos existentes mucho más grandes.
Este trabajo introduce un enfoque sin entrenamiento para la segmentación temporal de acciones de vocabulario abierto y cero disparos, que aprovecha la similitud entre marcos y etiquetas de modelos de visión-lingüística para lograr resultados sólidos en benchmarks estándar sin supervisión específica de la tarea.
Este trabajo introduce WildSVG, un nuevo benchmark compuesto por conjuntos de datos naturales y sintéticos para evaluar la extracción de gráficos vectoriales escalables (SVG) a partir de imágenes reales, revelando que los modelos multimodales actuales aún tienen un rendimiento insuficiente en escenarios del mundo real pero que los métodos de refinamiento iterativo ofrecen una vía prometedora.