7397 artículos
El artículo presenta PanoEnv, un nuevo benchmark de preguntas y respuestas sobre entornos panorámicos 3D y un marco de aprendizaje por refuerzo basado en GRPO con un currículo de dos etapas, que mejora significativamente la inteligencia espacial 3D de los modelos de lenguaje visuales, logrando un rendimiento superior al de modelos mucho más grandes en tareas de razonamiento espacial.
El artículo presenta WoG (World Guidance), un marco que mejora la generación de acciones en modelos Visión-Lenguaje-Acción al mapear observaciones futuras en condiciones compactas dentro del espacio de inferencia, logrando así una modelización del mundo eficiente que supera a los métodos existentes en precisión y generalización.
Este trabajo presenta un método robusto para el reconocimiento de hitos kilométricos en metros autónomos mediante la integración de cámaras de eventos y modelos fundacionales preentrenados, respaldado por la creación del primer gran conjunto de datos multimodal RGB-Event llamado EvMetro5K.
Los autores proponen RT-RMOT, una nueva tarea de seguimiento de múltiples objetos referenciados que fusiona datos RGB y térmicos, presentando el primer conjunto de datos multimodal (RefRT) y un marco basado en modelos de lenguaje grandes (RTrack) optimizado con estrategias de aprendizaje por refuerzo para lograr un seguimiento robusto en condiciones de baja visibilidad.
El artículo presenta SPGen, un modelo de aprendizaje profundo que utiliza adaptación de dominio no supervisada y componentes estocásticos para predecir con mayor precisión los patrones de mirada humana en pinturas, cerrando la brecha entre escenas naturales y obras de arte.
El artículo presenta AutoSew, un enfoque automático basado en geometría y redes neuronales gráficas que predice las correspondencias de costura directamente a partir de los contornos de patrones 2D, logrando un alto rendimiento sin depender de etiquetas manuales ni señales semánticas.
El artículo presenta NESTOR, un operador neuronal preentrenado a gran escala basado en un marco anidado de mezcla de expertos (MoE) que combina expertos a nivel de imagen y de token para capturar dependencias globales y locales, mejorando así la generalización y transferabilidad en la resolución de diversas ecuaciones diferenciales parciales.
El artículo presenta AdaSpot, un marco eficiente que mejora la detección precisa de eventos en video al procesar la mayoría de los fotogramas a baja resolución y seleccionar adaptativamente regiones de interés clave para su análisis en alta resolución, logrando así un rendimiento superior al estado del arte con un costo computacional reducido.
WeatherCity es un marco innovador para la reconstrucción de escenas urbanas 4D que permite la transformación controlada y de alta fidelidad a múltiples condiciones climáticas mediante una representación gaussiana especializada y un modelo físico dinámico, superando las limitaciones de los métodos existentes para aplicaciones en conducción autónoma.
El artículo presenta Brain3D, un marco de visión-linguaje en tres etapas que adapta un codificador médico 2D preentrenado a una arquitectura 3D nativa para generar informes radiológicos automatizados y precisos de tumores cerebrales, superando significativamente a los enfoques basados en 2D en métricas clínicas y especificidad.
El artículo presenta GeoDiv, un marco innovador que utiliza modelos de lenguaje y visión para cuantificar la diversidad geográfica en imágenes generadas por IA, revelando sesgos sistemáticos que retratan desproporcionadamente a países como India, Nigeria y Colombia en condiciones de pobreza y deterioro.
Lumosaic es un sistema compacto de video hiperespectral activo que sincroniza una matriz de LEDs de banda estrecha con una cámara de exposición codificada por píxel para capturar escenas dinámicas en tiempo real, logrando una reconstrucción de video hiperespectral de 31 canales con mayor fidelidad espectral y estabilidad temporal que los sistemas pasivos existentes.
WeaveTime es un marco eficiente y agnóstico al modelo que mejora la capacidad de los VideoLLMs para el procesamiento en streaming mediante la inculcación de representaciones conscientes del orden temporal y un mecanismo de recuperación dinámica que distingue entre observaciones presentes e historia acumulada, resolviendo así la ceguera temporal y la ambigüedad en secuencias causales.
El artículo presenta MedTri, un marco de normalización que convierte los informes médicos en tripletas estructuradas basadas en la anatomía para mejorar la calidad, robustez y generalización del preentrenamiento visión-lenguaje en radiología.
El artículo presenta NoLan, un marco de inferencia sin entrenamiento que mitiga las alucinaciones de objetos en modelos de visión y lenguaje grandes al suprimir dinámicamente los priores del lenguaje del decodificador, logrando mejoras significativas en la precisión sin necesidad de reentrenamiento.
El artículo presenta CASR, un marco cíclico eficiente que aborda la superresolución a escala arbitraria mediante la reformulación de la magnificación extrema como una secuencia de transiciones de escala dentro de la distribución, utilizando los módulos SDAM y SARM para alinear las distribuciones estructurales y restaurar la consistencia de las texturas, lo que garantiza una inferencia estable y generalización superior incluso en escalas extremas.
Este artículo propone un codificador de agregación a nivel de región que fusiona representaciones de múltiples aumentos mediante un preentrenamiento con modelado de enmascaramiento, logrando mejoras en la predicción de biomarcadores al capturar mejor el contexto espacial en la patología computacional.
Este trabajo demuestra que los modelos de generación de imágenes de uso general pueden reutilizarse mediante simples indicaciones de texto para eliminar eficazmente diversas perturbaciones protectoras, superando a los ataques especializados y revelando una vulnerabilidad crítica en los esquemas actuales de protección de imágenes.
El artículo presenta WHOLE, un método que reconstruye holísticamente el movimiento de la mano y el objeto en el espacio mundial a partir de videos egocéntricos mediante un prior generativo que razona conjuntamente sobre sus interacciones, superando así a los enfoques que tratan ambos elementos por separado.
Este artículo aborda el desafío de particionar variables de entrada en métodos de atribución para IA explicable mediante el análisis de interacciones lógicas y la extensión del valor de Shapley, proponiendo nuevas métricas para evaluar la fidelidad de las coaliciones y resolver conflictos de atribución validados en diversos dominios.