7462 artículos
El artículo presenta "Hybrid Fusion", un marco híbrido eficiente que combina una red U-Net aprendible con un kernel de fusión clásico para lograr entrenamiento completo de resolución en solo un minuto, eliminando la brecha entre entrenamiento e inferencia y logrando un rendimiento de vanguardia con generalización cero-shot en diversas tareas de fusión de imágenes.
Este artículo examina cómo los métodos de Inteligencia Artificial Explicable pueden hacer legible el razonamiento visual de modelos como CLIP en contextos de historia del arte, revelando que su eficacia depende de la estabilidad conceptual y la disponibilidad representativa de las categorías analizadas.
El artículo presenta DA-Cal, un marco de adaptación de dominio no supervisado que mejora la calibración de la red en la segmentación semántica mediante la optimización de pseudoetiquetas suaves y una red de temperatura meta, logrando un mayor rendimiento y fiabilidad en dominios objetivo sin sobrecarga en la inferencia.
El marco MUSE mejora la clasificación de imágenes de diapositivas completas en escenarios de pocos ejemplos mediante la adaptación semántica a nivel de muestra y la integración estocástica de vistas textuales diversas generadas por modelos de lenguaje, superando así las limitaciones de los métodos basados en priores estáticos.
Este trabajo presenta SpatiaLQA, un nuevo benchmark con más de 9.600 pares de preguntas y respuestas derivadas de escenas reales para evaluar el razonamiento lógico espacial en modelos de visión y lenguaje, demostrando que los modelos actuales tienen dificultades en esta tarea y proponiendo un método de razonamiento asistido por grafos de escena recursivos para mejorar su rendimiento.
El artículo presenta SAEF, un método de aprendizaje incremental de clases que organiza adaptadores en una jerarquía estructurada basada en relaciones semánticas para compartir conocimiento entre tareas y lograr un rendimiento superior sin olvidar lo aprendido anteriormente.
El artículo presenta LongVideo-R1, un agente multimodal de razonamiento que navega activamente y de forma eficiente en videos largos mediante la selección iterativa de clips informativos, logrando un equilibrio superior entre precisión en preguntas y respuestas y eficiencia computacional.
El artículo presenta LST-SLAM, un sistema de localización y mapeo simultáneo (SLAM) estereoscópico térmico diseñado para entornos dinámicos a gran escala que, mediante el aprendizaje de características auto-supervisado, el seguimiento de movimiento de doble nivel y restricciones híbridas semántico-geométricas, supera significativamente a sistemas existentes en robustez y precisión.
El artículo presenta DropAnSH-GS, un método novedoso que mejora el ajuste en la representación 3D con vistas escasas mediante una estrategia de eliminación de anclajes que suprime tanto los Gaussianos vecinos como los coeficientes armónicos esféricos de alto grado para mitigar el sobreajuste y facilitar la compresión del modelo.
El artículo presenta UFO, un nuevo paradigma recurrente que unifica métodos de alimentación directa y basados en optimización para lograr una reconstrucción eficiente y de alta calidad de escenas de conducción dinámicas a largo plazo, superando las limitaciones de complejidad y precisión de las técnicas existentes.
Este artículo presenta el Estimador de Densidad de Wilson Score, un método kernel novedoso para calcular límites de confianza en clasificación binaria que ofrece un rendimiento comparable a las Clasificaciones por Procesos Gaussianos pero con una menor complejidad computacional.
Este artículo presenta TagLLM, un marco innovador que utiliza modelos de lenguaje multimodal para automatizar la etiquetado de imágenes a un costo extremadamente bajo, logrando cerrar entre un 60% y un 80% de la brecha de rendimiento con la anotación humana en tareas de entrenamiento posteriores.
Este artículo presenta MS-RSuper, un marco de aprendizaje supervisado por informes que mejora la segmentación de lesiones cerebrales en resonancia magnética multimodal mediante la integración jerárquica de hallazgos cuantitativos y cualitativos inciertos, superando las limitaciones de los métodos anteriores al alinear las señales cualitativas con subestructuras específicas y aplicar restricciones unilaterales adaptadas a la incertidumbre.
Le-DETR es un nuevo modelo de detección en tiempo real que logra un rendimiento de vanguardia con un costo de preentrenamiento reducido en un 80% gracias a su diseño eficiente que combina la arquitectura EfficientNAT y un codificador híbrido optimizado, superando a modelos competidores como YOLOv12 y DEIM-D-FINE en precisión y velocidad.
Este trabajo presenta CHAIN, un nuevo benchmark interactivo en 3D basado en física que evalúa la capacidad de los modelos visión-lingüísticos para razonar sobre restricciones estructurales y causales al planificar secuencias de acciones, revelando que los modelos actuales aún tienen dificultades significativas para internalizar la estructura física y ejecutar planes de largo alcance de manera fiable.
El artículo presenta MIP Candy, un marco de trabajo modular y de código abierto basado en PyTorch diseñado específicamente para el procesamiento de imágenes médicas, que simplifica la creación de flujos de trabajo completos mediante una configuración flexible, herramientas avanzadas de seguimiento experimental y un ecosistema extensible de modelos predefinidos.
El artículo presenta CLIPGlasses, un marco plug-and-play que mejora la comprensión de descripciones visuales negadas en CLIP sin fine-tuning, mediante módulos de lente y marco que disuelven la semántica negada y penalizan las alineaciones incorrectas para lograr un rendimiento superior en generalización cruzada y condiciones de bajos recursos.
OmniOCR es un marco universal que utiliza la Adaptación de Bajo Rango Dinámica (Dynamic LoRA) para superar los desafíos de reconocimiento óptico de caracteres en lenguas minoritarias con recursos limitados, logrando un rendimiento superior y una mayor eficiencia paramétrica en comparación con los modelos existentes.
El artículo presenta OCR-Agent, un marco iterativo de auto-corrección que mejora el razonamiento de los modelos de lenguaje visual mediante la reflexión de capacidades y memoria, logrando resultados de vanguardia en OCR sin necesidad de entrenamiento adicional.
El artículo presenta VAUQ, un marco de cuantificación de incertidumbre consciente de la visión para la autoevaluación de Modelos de Lenguaje e Imagen Grandes (LVLM) que, mediante un puntaje de información de imagen y una estrategia de enmascaramiento, ofrece una función de puntuación sin entrenamiento que supera a los métodos existentes al medir la dependencia de la evidencia visual para detectar alucinaciones.