7407 artículos
Este trabajo presenta Proto-Caps, un modelo innovador que combina redes de cápsulas, aprendizaje de prototipos e información privilegiada para lograr una clasificación de imágenes médicas con alta precisión y explicabilidad visual en el conjunto de datos LIDC-IDRI.
El artículo presenta PILOT, un método de optimización en el espacio latente que utiliza una centralización semántica y una pérdida de preservación del fondo para lograr una inpainting de imágenes coherente y multimodal sin necesidad de ajustar modelos de difusión preentrenados.
El artículo presenta ScaleDepth, un método novedoso de estimación de profundidad métrica que descompone la tarea en la predicción de escala y la estimación de profundidad relativa mediante módulos específicos, logrando un rendimiento de vanguardia y una generalización superior en diversos entornos sin necesidad de ajuste fino.
DreamBarbie es un marco innovador de generación de avatares 3D animables a partir de texto que crea personajes con estética de "muñeca Barbie" y componentes desvinculados (como ropa y accesorios) mediante una representación 3D expresiva basada en G-Shell, inicialización SDF y modelos de difusión especializados, logrando una velocidad 100 veces superior y resultados de alta fidelidad aptos para simulación física.
Este estudio presenta UWF-RI2FA, un modelo de inteligencia artificial generativa que crea imágenes de angiografía con fluoresceína ultrawide-field sin necesidad de inyección intravenosa, logrando una mejora significativa en la estratificación de la retinopatía diabética.
RegTrack es un método robusto y eficiente para el seguimiento multi-objeto 3D multimodal que, inspirado en la teoría de gauge de Yang-Mills, utiliza un codificador tri-cue unificado para lograr un rendimiento superior con solo entradas de nubes de puntos y sin depender de priores específicos de clase o métricas de asociación complejas.
Este artículo presenta dos algoritmos basados en operadores de redes neuronales multidimensionales activadas por funciones sigmoideas tangente hiperbólica para modelar y mejorar imágenes de teledetección, demostrando mediante experimentos numéricos en el conjunto de datos RETINA que superan a los métodos de interpolación clásicos, especialmente en el índice de similitud estructural (SSIM).
El artículo propone y compara dos modelos variacionales basados en la variación total para la segmentación de superficies trianguladas, demostrando que el regularizador en el espacio de etiquetas ofrece mejores resultados al eliminar ruido en regiones de curvatura constante, y presenta un esquema de Newton en variedad para reducir el costo computacional asociado al cálculo del centroide riemanniano.
Este artículo investiga el problema de la generalización en modelos de visión de bajo nivel mediante el desraining de imágenes, revelando que el aprendizaje de atajos causado por la complejidad relativa entre el contenido y la degradación es la causa principal del fallo, y propone estrategias para equilibrar dicha complejidad y utilizar priores generativos para mejorar la robustez.
El marco de aprendizaje profundo EAGLE, que integra los modelos fundacionales CHIEF y Virchow2, revoluciona el análisis de imágenes patológicas al lograr una precisión superior y una eficiencia computacional extrema (reduciendo el tiempo de procesamiento en más del 99%) mediante la selección inteligente de regiones informativas, lo que permite flujos de trabajo en tiempo real y hace que la inteligencia artificial en patología sea más accesible y auditable.
El artículo presenta SEED, una nueva métrica de evaluación semántica para la decodificación visual cerebral que, al integrar tres medidas complementarias inspiradas en la neurociencia y validarse mediante datos humanos, supera a los métodos existentes al revelar que los modelos actuales pierden información crucial y ofrecer una guía para futuras mejoras.
VisionLogic es un marco neural-simbólico que genera explicaciones interpretables y causalmente fundamentadas para modelos de visión mediante la inducción de reglas lógicas jerárquicas sobre conceptos validados causalmente, superando las limitaciones de los métodos basados en correlaciones anteriores.
Este trabajo propone ELogitNorm, un método de entrenamiento sin hiperparámetros que corrige el colapso de características en la normalización de logits mediante un término de pérdida sensible a la distancia de características, logrando así una detección de datos fuera de distribución superior y una mejor calibración de confianza sin sacrificar la precisión de clasificación.
Los autores proponen un marco eficiente de fusión LiDAR-cámara que integra los modelos UniMT y RTMCT para lograr una detección de objetos 3D y predicción de trayectorias en tiempo real con alto rendimiento en robots de servicio con recursos computacionales limitados.
Este estudio reproduce y mejora el algoritmo CheXNet para la clasificación de enfermedades en radiografías de tórax utilizando el conjunto de datos NIH ChestX-ray14, logrando que el mejor modelo alcance una puntuación promedio AUC-ROC de 0.85 y un F1 promedio de 0.39 en las 14 enfermedades evaluadas.
El artículo presenta HoloLLM, un modelo fundacional multimodal que integra sensores poco comunes como LiDAR y radar mmWave mediante un proyector universal y curación de datos colaborativa, logrando una percepción y razonamiento humano significativamente más robustos en entornos del mundo real que los modelos basados únicamente en visión.
Este artículo propone un método de codificación de transformada durante el entrenamiento que integra una transformada de análisis-síntesis jerárquica y dispersa para optimizar conjuntamente la representación 3DGS y el modelo de entropía, logrando así un rendimiento superior en la relación tasa-distorsión y un equilibrio favorable entre la compresión y el tiempo de decodificación.
El sistema SpikePingpong integra visión basada en picos e imitación de aprendizaje en una arquitectura de doble sistema (rápida y lenta) para lograr un control robótico de alta precisión en el ping-pong, alcanzando una tasa de éxito del 92% en zonas objetivo de 30 cm.
Este trabajo propone la Guía de Paso Bajo Adaptativa (ALG), un método libre de entrenamiento que mejora la dinámica temporal en la generación de video a partir de imágenes al filtrar adaptativamente los detalles de alta frecuencia del imagen de referencia durante las etapas iniciales del proceso de muestreo, logrando así videos más dinámicos sin comprometer la calidad visual.
Este trabajo presenta UPNet, un método de selección de vistas activas que utiliza mapas de incertidumbre neuronal para identificar de manera eficiente y generalizable las perspectivas más informativas para la reconstrucción 3D, logrando una precisión comparable con la mitad de las vistas y una reducción significativa en el uso de recursos computacionales.