7469 artículos
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.
Este trabajo presenta un nuevo paradigma de entrenamiento inspirado en la neurociencia afectiva y el estado motivacional de "búsqueda", que utiliza un marco de doble modelo para mejorar el rendimiento de un modelo base y de uno más grande mediante actualizaciones compartidas y una expansión selectiva de la capacidad, logrando así un entrenamiento más eficiente y económico.
El artículo presenta ProxyFL, un marco unificado para el aprendizaje federado semi-supervisado que mitiga simultáneamente la heterogeneidad externa e interna mediante el uso de un proxy aprendible que optimiza la distribución global de categorías y reintegra muestras descartadas para mejorar el rendimiento y la convergencia.
Este artículo propone un método automático basado en programación lineal entera y simulación de trayectorias para determinar la ubicación óptima de sensores de tiempo de vuelo que maximicen la precisión en el conteo de ocupantes en entornos de oficina, facilitando así el ahorro energético sin comprometer la privacidad.
El artículo presenta BrepGaussian, un marco novedoso que reconstruye modelos CAD en representación de límites (B-rep) a partir de imágenes multivista mediante un enfoque de dos etapas que combina el *Gaussian Splatting* con una estrategia de ajuste para lograr geometrías limpias y representaciones coherentes.
Este artículo presenta UDVideoQA, un nuevo conjunto de datos y benchmark para la respuesta a preguntas en videos de tráfico que, mediante el uso de técnicas de privacidad y una taxonomía de razonamiento jerárquico, evalúa y mejora la capacidad de los modelos de lenguaje visuales para realizar inferencias espaciotemporales complejas en entornos urbanos dinámicos.
Este trabajo presenta SynthRender, un marco de código abierto para generación de imágenes sintéticas con aleatorización de dominio guiada, junto con el conjunto de datos IRIS, demostrando que la combinación de activos 3D creados a partir de imágenes reales y técnicas de transferencia bidireccional Sim-Real permite lograr un alto rendimiento en la percepción de objetos industriales sin necesidad de archivos 3D propietarios ni costosas anotaciones manuales.
El artículo presenta LUMEN, un nuevo marco de entrenamiento para modelos de visión y lenguaje que optimiza la interpretación de radiografías de tórax longitudinales mediante ajuste fino multi-imagen y multi-tarea, logrando mejoras significativas en tareas de diagnóstico y demostrando un gran potencial para la predicción de pronósticos clínicos.
El artículo presenta SPRITETOMESH, una pipeline automática que combina segmentación aprendida y algoritmos de contorno para convertir sprites 2D en mallas triangulares listas para animación esquelética en menos de 3 segundos, superando significativamente el proceso manual y demostrando que la predicción directa de vértices mediante redes neuronales no es viable debido a la naturaleza artística de la colocación de vértices.
Este trabajo propone un nuevo paradigma de recuperación visual controlable por calidad que utiliza modelos de lenguaje generativos para enriquecer consultas cortas y ambiguas con detalles contextuales y niveles de calidad explícitos, mejorando así la precisión y la interpretabilidad de los resultados en cualquier modelo visión-lenguaje preentrenado.
El artículo presenta XMorph, un marco de inteligencia artificial explicable y eficiente que combina un mecanismo de normalización de bordes ponderado por información con un módulo dual de IA explicable asistido por LLM para lograr una clasificación precisa (96,0%) y clínicamente interpretable de gliomas, meningiomas y tumores pituitarios.
El artículo presenta Mask-HybridGNet, un marco de segmentación médica basado en grafos que entrena modelos utilizando únicamente máscaras de píxeles estándar para generar automáticamente correspondencias anatómicas emergentes y mantener la integridad topológica sin necesidad de anotaciones manuales de puntos de referencia.
El artículo presenta Spa3R, un marco de aprendizaje auto-supervisado que utiliza el modelado predictivo de campos espaciales para generar representaciones 3D coherentes a partir únicamente de imágenes 2D, mejorando significativamente el razonamiento espacial en modelos de visión y lenguaje.
Este artículo presenta HVG, un modelo de difusión de video latente que genera videos humanos de alta calidad y coherentes en el tiempo y el espacio a partir de una sola imagen, permitiendo el control preciso de la pose 3D y la vista mediante diseños clave como la modulación de pose articulada, la alineación de vista y temporal, y el muestreo progresivo espaciotemporal.
Este trabajo presenta TomoROIS-SurfORA, un marco de dos pasos que combina segmentación de regiones de interés mediante aprendizaje profundo y análisis morfológico de superficies para la cuantificación directa y automatizada de características de membranas en tomografía electrónica criogénica.