7574 artículos
OpenVO es un marco innovador para la odometría visual en entornos abiertos que, al integrar dinámicas temporales y priores geométricos 3D, estima con precisión el movimiento ego en condiciones de cámaras no calibradas y frecuencias de observación variables, superando significativamente a los métodos actuales en benchmarks de conducción autónoma.
Este trabajo presenta un nuevo paradigma para modelos 3D multimodales grandes conscientes de la dirección que introduce PoseRecover, un pipeline automático para recuperar poses egocéntricas, y PoseAlign, que alinea los datos de nubes de puntos con dichas poses, logrando mejoras significativas en tareas de razonamiento espacial sin necesidad de arquitecturas complejas.
L3DR es un marco de difusión y rectificación de LiDAR consciente de la 3D que corrige artefactos de vista de rango y restaura la geometría local con alta fidelidad mediante una red de regresión residual y una pérdida de Welsch, logrando un rendimiento superior en múltiples conjuntos de datos.
Este trabajo propone un marco de reconocimiento de caracteres Kuzushiji guiado por restauración (RG-KCR) que aborda el desafío de la interferencia de sellos mediante un proceso de tres etapas, logrando mejoras significativas en la precisión de detección y clasificación en comparación con los métodos existentes.
El artículo presenta Ani3DHuman, un marco que combina animación basada en cinemática con priores de difusión de video y un nuevo método de muestreo estocástico auto-guiado para generar animaciones humanas 3D fotorrealistas que superan las limitaciones de calidad y pérdida de identidad de los métodos existentes.
El artículo presenta CREM, un marco unificado que mejora el rendimiento de recuperación multimodal mediante un diseño de prompts basado en compresión y una estrategia de entrenamiento que integra objetivos generativos y contrastivos, logrando así un estado del arte en tareas de recuperación sin sacrificar la capacidad de generación del modelo.
Este artículo presenta las "Mapping Networks", un enfoque que reduce drásticamente la cantidad de parámetros entrenables y el sobreajuste al mapear el espacio de pesos de alta dimensión a un vector latente compacto, logrando un rendimiento comparable o superior en diversas tareas de visión y secuencia.
El artículo presenta CaReFlow, un método que utiliza un flujo rectificado cíclico adaptativo para reducir la brecha modal mediante una estrategia de mapeo uno-a-muchos y alineación relajada, logrando una fusión multimodal más robusta y precisa en tareas de computación afectiva.
Este estudio presenta un enfoque basado en transformadores (RT-DETR) para la detección en tiempo real de dermatofitosis en microscopía KOH, que logra una precisión superior al distinguir estructuras fúngicas de artefactos y alcanzar una sensibilidad del 100% en el diagnóstico.
El artículo presenta Flash-VAED, un marco de aceleración universal para decodificadores VAE que combina poda de canales, optimización de operadores y destilación dinámica para lograr una velocidad de generación de video hasta 6 veces mayor con una pérdida de calidad mínima.
El artículo presenta JavisDiT++, un marco unificado que mejora la generación conjunta de audio y video mediante un diseño MoE específico por modalidad, una estrategia de sincronización temporal (TA-RoPE) y optimización de preferencias directas (AV-DPO), logrando un rendimiento superior al estado del arte con un conjunto de entrenamiento reducido.
El artículo presenta BriMA, un enfoque innovador para la evaluación continua de la calidad de las acciones multimodal que aborda el desequilibrio de modalidades mediante un módulo de imputación guiado por memoria y un mecanismo de repetición consciente de la modalidad, logrando mejoras significativas en el rendimiento bajo condiciones de datos incompletos.
El artículo presenta EMAD, un marco de visión-linguaje que genera informes diagnósticos de la enfermedad de Alzheimer explicables y clínicamente coherentes al vincular cada afirmación con evidencia multimodal específica y estructuras anatómicas en resonancias magnéticas 3D, utilizando técnicas de destilación y ajuste fino por refuerzo para garantizar la transparencia y la precisión.
Este artículo presenta un marco de alineación de preferencias grupales para modelos de recuperación de mallas humanas basados en difusión, que utiliza un agente crítico con memoria dual y autorreflexión para generar puntuaciones de calidad que guían al modelo hacia predicciones tridimensionales más físicamente plausibles y consistentes con la imagen.
El artículo presenta PositionOCR, una arquitectura híbrida eficiente en parámetros que integra las capacidades de localización posicional de modelos especializados en detección de texto con el razonamiento contextual de los modelos de lenguaje grandes para superar las limitaciones de los modelos multimodales actuales en tareas de reconocimiento y anclaje de texto.
El artículo presenta ManiPT, un marco que mejora el ajuste de prompts en modelos CLIP bajo supervisión limitada mediante restricciones de consistencia cosenual y un sesgo estructural que mantienen las representaciones en la variedad preentrenada, mitigando así el sobreajuste y mejorando la generalización en diversas tareas.
El artículo presenta UniE2F, un marco unificado que aprovecha los modelos de difusión de video preentrenados para reconstruir cuadros de video de alta fidelidad a partir de datos de cámaras de eventos, superando la pérdida de información espacial mediante una guía de residuos intercuadro basada en eventos y habilitando tareas de interpolación y predicción en ceros disparos.
El artículo presenta SegMoTE, un marco eficiente y adaptable basado en SAM que utiliza una mezcla de expertos a nivel de token y un mecanismo de tokenización progresiva para lograr un rendimiento superior en la segmentación de imágenes médicas con una fracción mínima de datos de anotación, resolviendo así los desafíos de generalización y transferencia negativa en escenarios clínicos diversos.
Este artículo presenta KRSVQG, un modelo que integra conocimiento externo y descripción de imágenes para generar preguntas visualmente fundamentadas y diversas sobre imágenes de teledetección, superando las limitaciones de los métodos actuales basados en plantillas.
Este trabajo presenta un método de manipulación facial en el espacio latente semántico que, mediante proyección ortogonal y condicionamiento dependiente, genera datos sintéticos de alta calidad para equilibrar y diversificar conjuntos de datos de análisis de unidades de acción, mejorando significativamente la precisión y la desvinculación de los detectores de expresiones sin introducir artefactos ni perder la identidad.