8448 artículos
WeaveTime es un marco eficiente y agnóstico al modelo que mejora la capacidad de los VideoLLMs para el procesamiento en streaming mediante la inculcación de representaciones conscientes del orden temporal y un mecanismo de recuperación dinámica que distingue entre observaciones presentes e historia acumulada, resolviendo así la ceguera temporal y la ambigüedad en secuencias causales.
El artículo presenta MedTri, un marco de normalización que convierte los informes médicos en tripletas estructuradas basadas en la anatomía para mejorar la calidad, robustez y generalización del preentrenamiento visión-lenguaje en radiología.
El artículo presenta NoLan, un marco de inferencia sin entrenamiento que mitiga las alucinaciones de objetos en modelos de visión y lenguaje grandes al suprimir dinámicamente los priores del lenguaje del decodificador, logrando mejoras significativas en la precisión sin necesidad de reentrenamiento.
El artículo presenta CASR, un marco cíclico eficiente que aborda la superresolución a escala arbitraria mediante la reformulación de la magnificación extrema como una secuencia de transiciones de escala dentro de la distribución, utilizando los módulos SDAM y SARM para alinear las distribuciones estructurales y restaurar la consistencia de las texturas, lo que garantiza una inferencia estable y generalización superior incluso en escalas extremas.
Este artículo propone un codificador de agregación a nivel de región que fusiona representaciones de múltiples aumentos mediante un preentrenamiento con modelado de enmascaramiento, logrando mejoras en la predicción de biomarcadores al capturar mejor el contexto espacial en la patología computacional.
Este trabajo demuestra que los modelos de generación de imágenes de uso general pueden reutilizarse mediante simples indicaciones de texto para eliminar eficazmente diversas perturbaciones protectoras, superando a los ataques especializados y revelando una vulnerabilidad crítica en los esquemas actuales de protección de imágenes.
El artículo presenta WHOLE, un método que reconstruye holísticamente el movimiento de la mano y el objeto en el espacio mundial a partir de videos egocéntricos mediante un prior generativo que razona conjuntamente sobre sus interacciones, superando así a los enfoques que tratan ambos elementos por separado.
Este artículo aborda el desafío de particionar variables de entrada en métodos de atribución para IA explicable mediante el análisis de interacciones lógicas y la extensión del valor de Shapley, proponiendo nuevas métricas para evaluar la fidelidad de las coaliciones y resolver conflictos de atribución validados en diversos dominios.
Este trabajo presenta Proto-Caps, un modelo innovador que combina redes de cápsulas, aprendizaje de prototipos e información privilegiada para lograr una clasificación de imágenes médicas con alta precisión y explicabilidad visual en el conjunto de datos LIDC-IDRI.
El artículo presenta PILOT, un método de optimización en el espacio latente que utiliza una centralización semántica y una pérdida de preservación del fondo para lograr una inpainting de imágenes coherente y multimodal sin necesidad de ajustar modelos de difusión preentrenados.
El artículo presenta ScaleDepth, un método novedoso de estimación de profundidad métrica que descompone la tarea en la predicción de escala y la estimación de profundidad relativa mediante módulos específicos, logrando un rendimiento de vanguardia y una generalización superior en diversos entornos sin necesidad de ajuste fino.
DreamBarbie es un marco innovador de generación de avatares 3D animables a partir de texto que crea personajes con estética de "muñeca Barbie" y componentes desvinculados (como ropa y accesorios) mediante una representación 3D expresiva basada en G-Shell, inicialización SDF y modelos de difusión especializados, logrando una velocidad 100 veces superior y resultados de alta fidelidad aptos para simulación física.
Este estudio presenta UWF-RI2FA, un modelo de inteligencia artificial generativa que crea imágenes de angiografía con fluoresceína ultrawide-field sin necesidad de inyección intravenosa, logrando una mejora significativa en la estratificación de la retinopatía diabética.
RegTrack es un método robusto y eficiente para el seguimiento multi-objeto 3D multimodal que, inspirado en la teoría de gauge de Yang-Mills, utiliza un codificador tri-cue unificado para lograr un rendimiento superior con solo entradas de nubes de puntos y sin depender de priores específicos de clase o métricas de asociación complejas.
Este artículo presenta dos algoritmos basados en operadores de redes neuronales multidimensionales activadas por funciones sigmoideas tangente hiperbólica para modelar y mejorar imágenes de teledetección, demostrando mediante experimentos numéricos en el conjunto de datos RETINA que superan a los métodos de interpolación clásicos, especialmente en el índice de similitud estructural (SSIM).
El artículo propone y compara dos modelos variacionales basados en la variación total para la segmentación de superficies trianguladas, demostrando que el regularizador en el espacio de etiquetas ofrece mejores resultados al eliminar ruido en regiones de curvatura constante, y presenta un esquema de Newton en variedad para reducir el costo computacional asociado al cálculo del centroide riemanniano.
Este artículo investiga el problema de la generalización en modelos de visión de bajo nivel mediante el desraining de imágenes, revelando que el aprendizaje de atajos causado por la complejidad relativa entre el contenido y la degradación es la causa principal del fallo, y propone estrategias para equilibrar dicha complejidad y utilizar priores generativos para mejorar la robustez.
El marco de aprendizaje profundo EAGLE, que integra los modelos fundacionales CHIEF y Virchow2, revoluciona el análisis de imágenes patológicas al lograr una precisión superior y una eficiencia computacional extrema (reduciendo el tiempo de procesamiento en más del 99%) mediante la selección inteligente de regiones informativas, lo que permite flujos de trabajo en tiempo real y hace que la inteligencia artificial en patología sea más accesible y auditable.
El artículo presenta SEED, una nueva métrica de evaluación semántica para la decodificación visual cerebral que, al integrar tres medidas complementarias inspiradas en la neurociencia y validarse mediante datos humanos, supera a los métodos existentes al revelar que los modelos actuales pierden información crucial y ofrecer una guía para futuras mejoras.
VisionLogic es un marco neural-simbólico que genera explicaciones interpretables y causalmente fundamentadas para modelos de visión mediante la inducción de reglas lógicas jerárquicas sobre conceptos validados causalmente, superando las limitaciones de los métodos basados en correlaciones anteriores.