7525 artículos
ShapeShift es un método que sintetiza configuraciones de objetos rígidos sin superposiciones que representan conceptos semánticos mediante el uso de características de modelos de difusión para guiar anisotrópicamente la resolución de conflictos geométricos, logrando así un equilibrio entre validez física y claridad semántica.
Este trabajo introduce el conjunto de datos y punto de referencia Qualcomm Interactive Video Dataset (IVD) para evaluar la capacidad de los modelos de visión-idioma para responder preguntas en tiempo real sobre escenas del mundo real, demostrando que, aunque los modelos actuales están muy por detrás del rendimiento humano, el ajuste fino puede reducir significativamente esta brecha en muchas habilidades perceptivas.
Este trabajo propone un método de generación de pesos analógicos inspirado en el cerebro, denominado BiAG, que permite el aprendizaje incremental de pocas clases sin ajuste fino de parámetros al derivar pesos de nuevas clases a partir de conocimientos previos mediante mecanismos de atención y conversión semántica, logrando así un rendimiento superior en conjuntos de datos como miniImageNet, CUB-200 y CIFAR-100.
Este artículo presenta JavisDiT, un transformador de difusión unificado que genera audio y video sincronizados de alta calidad mediante un prior jerárquico espaciotemporal, respaldado por un nuevo benchmark y métricas de evaluación diseñados para escenarios del mundo real.
El artículo presenta STEP, un método de sondeo ligero que incorpora codificaciones posicionales y atención para capturar el orden temporal, superando tanto a las técnicas de ajuste fino eficientes como a los modelos completamente entrenados en la clasificación de acciones casi simétricas para la interacción humano-robot.
El artículo propone DL4ND, el primer método diseñado específicamente para la generalización consciente del ruido (NAG), que aprovecha la mayor variación de las muestras ruidosas entre dominios para superar las limitaciones de los enfoques existentes y lograr mejoras significativas en la generalización.
El artículo presenta nnLandmark, un marco de trabajo autoconfigurable que combina componentes de nnU-Net para lograr un rendimiento de vanguardia en la detección de puntos de referencia médicos 3D, ofreciendo una solución lista para usar que elimina la necesidad de ajuste manual de hiperparámetros y establece un estándar unificado para la evaluación y comparación de métodos en este campo.
Este artículo propone un método de coincidencia de características semidensas que mejora el rendimiento al utilizar una atención guiada por confianza para eliminar el ruido de regiones irrelevantes, ajustando dinámicamente las distribuciones de atención y reescalando las características de valor basándose en mapas de confianza precalculados.
El artículo presenta GRILL, una técnica que restaura las señales de gradiente en capas mal condicionadas de los autoencodadores para superar las limitaciones de los ataques adversarios existentes y permitir una evaluación más rigurosa de su robustez.
Este artículo propone un método de transferencia de representaciones de características a modelos ligeros mediante una nueva noción de "coherencia de percepción" que, al minimizar un nuevo tipo de pérdida basada en el ranking de disimilitudes, permite que el modelo estudiantil imite la percepción del modelo docente preservando la coherencia global sin necesidad de replicar su geometría absoluta.
El artículo presenta U2-BENCH, el primer benchmark integral que evalúa el rendimiento de 23 modelos de lenguaje-visión grandes en la comprensión de imágenes de ultrasonido a través de múltiples tareas clínicas, revelando un buen desempeño en clasificación pero desafíos persistentes en el razonamiento espacial y la generación de lenguaje clínico.
El artículo presenta TEMU-VTOFF, un marco de aprendizaje profundo basado en DiT que utiliza información multimodal (imagen, texto y máscara) para generar imágenes de productos de ropa de alta calidad y libres de ambigüedades a partir de fotos de personas vestidas, superando así las limitaciones de detalle y precisión de los métodos existentes en la tarea de "virtual try-off".
Los autores proponen un nuevo códec de video neuronal para fotogramas B que mejora la compresión mediante un autoencoder de movimiento interactivo de doble rama y una fusión temporal selectiva, logrando una reducción de tasa de bits del 10% frente a los métodos más avanzados y un rendimiento comparable al estándar H.266/VVC.
Este artículo presenta la Distancia de Características de Percepción (PCD), una nueva métrica que incorpora la incertidumbre estocástica de los algoritmos de percepción para evaluar la estabilidad y robustez de los sistemas de conducción autónoma en condiciones dinámicas, validada mediante el nuevo conjunto de datos SensorRainFall que demuestra su superioridad sobre las métricas tradicionales.
Este trabajo demuestra que mejorar los modelos de visión y lenguaje médicos mediante la incorporación de imágenes de referencia sanas y prompts comparativos, junto con un ajuste fino supervisado ligero, incrementa significativamente el rendimiento diagnóstico y la eficiencia de la muestra al imitar la práctica clínica de diagnóstico comparativo.
Este trabajo presenta un nuevo marco de reconstrucción hiperespectral multiimagen (MI-HSR) que aprovecha las cámaras de smartphones con filtros espectrales, respaldado por el primer conjunto de datos específico (Doomer) y un módulo de alineación ligero, logrando una estimación espectral un 30% más precisa que las cámaras RGB convencionales y mejorando un 5% adicional la calidad de los métodos actuales.
Este artículo presenta SCINet, un marco innovador para el aprendizaje multietiqueta parcial que integra conocimiento semántico de co-ocurrencia mediante un módulo de promotor bi-dominante y una fusión de modalidades cruzadas para mejorar la alineación semántica y la identificación de relaciones ambiguas entre etiquetas e instancias.
El modelo MoVieS presenta un enfoque unificado y extremadamente rápido que reconstruye escenas dinámicas 4D a partir de videos monoculares en un segundo, permitiendo simultáneamente la síntesis de vistas, la reconstrucción geométrica y el seguimiento de puntos mediante primitivas gaussianas alineadas con píxeles.
El artículo presenta Winsor-CAM, un método eficiente y robusto que genera explicaciones visuales para redes neuronales convolucionales mediante la agregación de mapas de gradiente de todas las capas y su ajuste mediante Winsorización, permitiendo a los usuarios controlar el nivel de detalle semántico y logrando un rendimiento superior en localización y fidelidad frente a técnicas existentes en dominios como la salud y la visión por computadora.
El artículo propone DEFNet, una red de fusión profunda basada en evidencia para la evaluación ciega de la calidad de imágenes que mejora el rendimiento mediante la optimización multitarea, una estrategia de fusión de información confiable y una estimación avanzada de incertidumbre.