7808 artículos
Este trabajo propone una arquitectura de aprendizaje de incrustaciones de píxeles para la segmentación de instancias que incorpora un módulo de regresión de distancia para generar semillas de agrupamiento y mejorar significativamente la precisión, logrando el mejor resultado en el desafío de segmentación de hojas CVPPP.
Este trabajo presenta un enfoque basado en detección de objetos utilizando la red neuronal Cascade R-CNN para localizar y anonimizar regiones de escritura manuscrita en documentos, logrando un procesamiento en tiempo real con alta generalización entre idiomas como el inglés y el chino.
Este trabajo propone un enfoque novedoso para la localización de la fóvea en imágenes de fondo de ojo, tratando el problema como una tarea de clasificación mediante una función de pérdida de entropía cruzada softmax multiescala que supera el rendimiento de los métodos tradicionales de regresión.
Los autores proponen el Modelo de Distribución de Equilibrio (EDM), un método que selecciona automáticamente colores con óptimo contraste perceptual en el espacio CIELAB para visualizaciones científicas, superando a los esquemas armónicos tradicionales al permitir distinguir hasta 100 características únicas.
Este trabajo propone un marco de aprendizaje profundo basado en redes neuronales que optimiza la estimulación de implantes retinianos simulados mediante un codificador U-Net entrenado, logrando una mejora significativa del 36,17% en la puntuación F1 ponderada en comparación con métodos de submuestreo trivial.
Este estudio presenta HaDR, un enfoque que utiliza la aleatorización de dominios para generar un conjunto de datos sintético multimodal (RGB-D) que permite entrenar modelos de segmentación de instancias de manos robustos y agnósticos al color en entornos industriales desordenados, superando en precisión a los modelos entrenados con conjuntos de datos reales existentes.
Este artículo presenta un método que utiliza modelos de difusión probabilística para generar imágenes sintéticas de OCT retiniano a partir de bocetos, demostrando que estas imágenes pueden mejorar la segmentación de capas y reducir la dependencia de anotaciones manuales.
Este estudio propone un marco de simulación de prótesis retinal impulsado por fijaciones visuales que, mediante un codificador entrenable y optimización de extremo a extremo, logra una precisión de clasificación del 87,72% al generar percepciones visuales más semánticamente comprensibles, superando significativamente a los métodos de muestreo tradicional.
El marco GIFT propone un enfoque post-hoc que genera explicaciones textuales globales, interpretables y fieles para clasificadores visuales, combinando la creación de contrafactuales visuales, su traducción a lenguaje natural mediante modelos visión-idioma y una verificación causal rigurosa para revelar las reglas de decisión y sesgos latentes de los modelos.
El trabajo presenta SAMa, un método optimizado que permite la selección y segmentación automática de materiales en objetos 3D arbitrarios mediante la proyección de predicciones 2D de un modelo basado en video a una nube de puntos intermedia, logrando consistencia multivista y resultados precisos en segundos sin necesidad de optimización por activo.
Este trabajo demuestra que los modelos fundamentales de aprendizaje científico (SciML) pueden reducir significativamente los requisitos de datos y mejorar la generalización en la inferencia de campos de fluidos neuronales 3D en el mundo real mediante una estrategia de entrenamiento colaborativo que aprovecha representaciones y marcos aumentados extraídos de simulaciones de ecuaciones diferenciales parciales.
Este trabajo demuestra que reducir progresivamente el tamaño de los parches en modelos de visión hasta llegar a la tokenización a nivel de píxel (1x1) mejora consistentemente el rendimiento en diversas tareas y arquitecturas, permitiendo escalar secuencias visuales a más de 50.000 tokens sin necesidad de cabezales de decodificación específicos para tareas densas.
Este artículo examina las limitaciones de la Distancia Fréchet Inception (FID) como métrica de evaluación para la síntesis de imágenes retinianas, demostrando que no se alinea con los objetivos de tareas específicas como la clasificación y la segmentación, y aboga por evaluar los modelos generativos mediante su integración en el entrenamiento de tareas posteriores.
Este trabajo identifica que la normalización de capa convencional perjudica el entrenamiento de los transformadores para la restauración de imágenes al causar divergencia de magnitudes y colapso de entropía, y propone una nueva normalización adaptativa (i-LN) que corrige estas desalineaciones para mejorar tanto la dinámica de entrenamiento como el rendimiento final.
Este trabajo propone el paradigma de "Planificación Visual", un marco de aprendizaje por refuerzo que utiliza secuencias de imágenes en lugar de texto para el razonamiento paso a paso en tareas espaciales, demostrando un rendimiento superior en navegación visual y estableciendo una vía prometedora para la inferencia basada en imágenes.
Este artículo presenta eStonefish-Scenes, un dataset sintético de flujo óptico basado en eventos validado en escenarios reales para vehículos submarinos, junto con la librería eWiz, demostrando que el entrenamiento exclusivo con datos simulados permite una estimación precisa del flujo óptico en entornos reales sin necesidad de ajuste fino.
Este trabajo presenta un nuevo benchmark que evalúa la capacidad de los modelos de difusión texto-imagen para representar contextos históricos, revelando que tienden a estereotipar épocas pasadas mediante estilos visuales implícitos, anacronismos y representaciones demográficas poco plausibles.
Este trabajo presenta Soft-CAM, un enfoque que transforma las arquitecturas CNN estándar en modelos inherentemente interpretables para el análisis de imágenes médicas, eliminando la necesidad de métodos de explicación *post-hoc* y logrando mapas de activación explícitos sin comprometer el rendimiento de clasificación.
El artículo presenta Mod-Adapter, un método sin ajuste previo que personaliza múltiples conceptos (tanto objetos como abstractos) en la generación de imágenes mediante un adaptador de modulación que utiliza atención cruzada visión-idioma y capas de expertos mixtos, todo ello optimizado con una estrategia de preentrenamiento guiada por modelos de lenguaje visual.
Este trabajo propone un método que aprende explícitamente pesos de importancia para los parámetros de la red directamente desde los datos, mejorando la precisión de la atribución de datos de entrenamiento en diversas tareas al modelar la heterogeneidad funcional de los parámetros sin necesidad de etiquetas anotadas.