7808 artículos
Este trabajo propone un enfoque de aprendizaje verde (GL) para la restauración de imágenes de tomografía computarizada de baja dosis (LDCT), logrando un rendimiento de vanguardia con mayor transparencia matemática y eficiencia computacional en comparación con los métodos de aprendizaje profundo tradicionales.
Vinedresser3D es un marco agéntico que utiliza un modelo de lenguaje grande multimodal y un flujo rectificado basado en inversión para realizar ediciones 3D guiadas por texto de alta calidad, precisas y coherentes directamente en el espacio latente de un modelo generativo nativo.
Este artículo presenta "Prune-then-Merge", un marco innovador de dos etapas que combina poda y fusión jerárquica para superar el compromiso entre compresión y fidelidad en la recuperación de documentos visuales, logrando un rendimiento superior y una compresión casi sin pérdida en 29 conjuntos de datos.
Este trabajo presenta un marco computacional multimodal que integra representaciones perceptuales basadas en SIFT y UQI con procesamiento lingüístico para modelar la interpretación referencial humana, logrando un rendimiento superior al de los interlocutores humanos en la tarea de alineación lenguaje-percepción del corpus de Stanford.
El artículo presenta HOCA-Bench, un nuevo benchmark que evalúa la capacidad de los modelos de lenguaje visual para predecir el mundo físico mediante la detección de anomalías ontológicas y causales, revelando que, aunque los modelos actuales reconocen bien las violaciones estáticas, muestran una deficiencia significativa en el razonamiento sobre mecanismos físicos dinámicos.
Este artículo presenta el ataque MVIG, un marco adversario adaptativo que utiliza un grafo de información de vista mutua y aprendizaje temporal para explotar debilidades en los sistemas de percepción colaborativa, logrando reducir significativamente la eficacia de las defensas existentes mientras mantiene un alto rendimiento en tiempo real.
El artículo propone CLCR, un marco de representación colaborativa que organiza las características multimodales en una jerarquía semántica de tres niveles para alinear y fusionar selectivamente la información compartida y privada, mejorando así el rendimiento en diversas tareas de aprendizaje multimodal.
Este estudio presenta un pipeline escalable basado en imágenes satelitales de PlanetScope y aprendizaje profundo que supera a los métodos tradicionales para detectar sitios arqueológicos saqueados en Afganistán, logrando una puntuación F1 de 0,926 mediante el uso de redes neuronales convolucionales preentrenadas con ImageNet y máscaras espaciales.
El artículo presenta RAID, un marco de detección de anomalías no supervisada que utiliza una base de datos vectorial jerárquica y una red de expertos guiada para recuperar muestras normales y suprimir el ruido en la generación de mapas de anomalías, logrando un rendimiento superior en diversos conjuntos de datos.
Este artículo presenta un módulo plug-and-play eficiente que mejora el razonamiento de los modelos de lenguaje visuales sobre objetos raros sin necesidad de ajuste fino, mediante el enriquecimiento de tokens visuales y la generación de pistas contextuales a partir de conocimientos previos y descripciones de texto.
Este artículo presenta SAM-H y WOFTSAM, dos nuevos rastreadores planares que combinan la segmentación a largo plazo de SAM 2 con la estimación de homografía para lograr un seguimiento preciso y una re-detección robusta, estableciendo un nuevo estado del arte en los benchmarks POT-210 y PlanarTrack.
El artículo presenta HiRM, un método que elimina conceptos específicos en modelos de difusión texto-a-imagen redirigiendo sus representaciones semánticas de alto nivel en el codificador de texto, lo que logra una supresión precisa con mínimo impacto en la calidad de generación y bajo costo computacional.
El artículo presenta FedTAR, un marco de aprendizaje federado que integra adaptadores LoRA personalizados por demografía y una agregación global temporalmente consciente mediante MAML para generar informes médicos longitudinales precisos y coherentes sin comprometer la privacidad de los datos.
TeHOR es un marco de trabajo que mejora la reconstrucción 3D conjunta de humanos y objetos a partir de una sola imagen al utilizar descripciones textuales y cues de apariencia para superar las limitaciones de los métodos actuales y lograr interacciones semánticamente coherentes, incluidas las no físicas.
El artículo presenta BayesFusion-SDF, un marco de fusión probabilística de distancia firmada centrado en la CPU que supera a los métodos tradicionales TSDF y las redes neuronales intensivas en GPU al ofrecer una reconstrucción geométrica precisa con estimaciones de incertidumbre transparentes para la planificación de vistas y la percepción activa.
Este artículo presenta un sistema prototipo que automatiza la clasificación iconográfica y la recomendación basada en contenido de obras de arte digitalizadas mediante la integración de la detección de objetos YOLOv8, el vocabulario Iconclass y algoritmos de inferencia, demostrando su potencial para acelerar la catalogación y mejorar la navegación en grandes repositorios de patrimonio cultural.
Este trabajo presenta un método libre de entrenamiento que utiliza modelos de difusión guiados por texto y refinamiento SDEdit para mejorar la reconstrucción de imágenes HDR a partir de LDR, recuperando eficazmente detalles en zonas sobreexpuestas mientras mantiene la coherencia luminosa entre múltiples exposiciones.
El paper presenta Pose-VLA, un paradigma de preentrenamiento universal que desacopla la percepción de la acción mediante tokens de pose discretos para mejorar la generalización y eficiencia de los modelos de visión-idioma-acción en robótica.
El artículo presenta DeepfakeJudge, un marco que utiliza un proceso de autoevaluación con modelos de lenguaje multimodal para supervisar y evaluar la fidelidad del razonamiento en la detección de deepfakes, logrando una alta precisión y concordancia con juicios humanos sin depender de explicaciones de referencia explícitas.
El artículo presenta Flose, un nuevo método generativo basado en flujo condicional que mejora la estimación de pose 6D al integrar características semánticas de apariencia para resolver ambigüedades por simetría y superar las limitaciones de los enfoques existentes.