8612 artículos
Este estudio presenta KD-OCT, un marco de destilación de conocimiento que comprime un modelo ConvNeXtV2-Large en un EfficientNet-B2 ligero para lograr una clasificación clínica de OCT retiniana con alto rendimiento y eficiencia computacional, facilitando su implementación en tiempo real para la detección de enfermedades oculares.
El artículo presenta VULCA-Bench, un nuevo benchmark multicultural de 7.410 pares de imágenes y críticas en chino e inglés diseñado para evaluar la comprensión cultural profunda de los modelos de visión y lenguaje mediante un marco de cinco niveles que va desde la percepción visual hasta la estética filosófica.
El artículo presenta FigEx2, un marco de trabajo condicionado visualmente que localiza paneles y genera descripciones específicas para cada uno en figuras compuestas científicas, logrando un rendimiento superior mediante una fusión adaptativa, optimización por refuerzo y demostrando una notable capacidad de transferencia cero a dominios científicos diversos.
Este trabajo presenta un mecanismo de ponderación de cámaras que mejora la síntesis de vistas novedosas en escenarios de pocas imágenes al ajustar dinámicamente la importancia de las vistas de entrada según su relevancia para la vista objetivo, mediante esquemas deterministas basados en geometría o aprendizaje por atención cruzada.
El artículo presenta DenseGRPO, un marco innovador que mejora la alineación con preferencias humanas en modelos de flujo para generación de imágenes al resolver el problema de recompensas dispersas mediante recompensas densas por paso y un esquema de exploración adaptativo que ajusta la inyección estocástica según el tiempo.
Este artículo propone un marco innovador para la reidentificación de personas entre vistas aéreas y terrestres que corrige las distorsiones geométricas en el espacio de similitud mediante una transformación de consulta-llave condicionada a la geometría y una generación de prompts adaptativa, mejorando así la robustez del modelo sin aumentar significativamente la carga computacional.
El artículo presenta TimeBlind, un nuevo benchmark diseñado para diagnosticar la comprensión espaciotemporal de los modelos de lenguaje multimodales mediante pares mínimos que aíslan la estructura temporal, revelando que incluso los modelos más avanzados dependen excesivamente de atajos visuales estáticos y tienen un rendimiento significativamente inferior al humano en esta tarea.
Este trabajo presenta LatentLens, un método novedoso que demuestra que la mayoría de los tokens visuales en los Modelos de Lenguaje y Visión (VLM) son altamente interpretables en todas sus capas, superando significativamente a técnicas anteriores como LogitLens al revelar representaciones semánticas detalladas mediante la comparación con un corpus textual contextualizado.
Este trabajo propone escalar los estados ocultos de los tokens delimitadores en modelos de lenguaje-vision grandes para mitigar la fuga de información entre imágenes, mejorando así el razonamiento en tareas de múltiples imágenes y documentos sin incurrir en costos adicionales de entrenamiento o inferencia.
El artículo presenta HetroD, un conjunto de datos y benchmark de alta fidelidad basado en drones diseñado para abordar los desafíos de la conducción autónoma en entornos de tráfico heterogéneo dominados por usuarios vulnerables de la vía, proporcionando anotaciones precisas y evaluaciones que revelan las limitaciones actuales de los modelos de predicción y planificación ante comportamientos complejos y no estructurados.
El artículo presenta TIPS, un enfoque de detección de anomalías en cero disparos que utiliza un modelo de visión-idioma entrenado con objetivos espacialmente conscientes y prompts desacoplados para superar las limitaciones de CLIP, logrando mejoras significativas en la detección y localización de anomalías en siete conjuntos de datos industriales sin recurrir a módulos auxiliares complejos.
Este trabajo presenta un método de generación de imágenes autoregresivas multiescala basado en tableros de ajedrez progresivos que permite muestrear regiones independientes en paralelo manteniendo dependencias mutuas, logrando un rendimiento competitivo en ImageNet con menos pasos de muestreo.
El artículo presenta V-Retrver, un marco de recuperación multimodal impulsado por evidencia que reformula el proceso como un razonamiento agencial interactivo, donde un modelo de lenguaje multimodal utiliza herramientas visuales externas para verificar activamente la información y superar las limitaciones de los enfoques puramente lingüísticos, logrando mejoras significativas en la precisión y fiabilidad del razonamiento.
Este estudio demuestra que, aunque los modelos fundacionales alcanzan una discriminación equivalente a los modelos específicos en la detección de lesiones intestinales por trauma abdominal, su menor especificidad se debe principalmente a la heterogeneidad de las patologías concurrentes en la clase negativa, lo que indica la necesidad de un entrenamiento específico antes de su implementación clínica.
Este trabajo propone un marco de descomposición tensorial multi-vista que, al analizar videos de pasos a nivel mediante embeddings de TimeSformer, descubre patrones conductuales latentes agrupados principalmente por ubicación geográfica más que por la hora del día, permitiendo así intervenciones de seguridad más dirigidas.
MALLVI es un marco de trabajo basado en agentes múltiples y modelos de lenguaje y visión que mejora la manipulación robótica mediante un bucle de retroalimentación cerrado y la coordinación de agentes especializados para lograr una mayor generalización y tasas de éxito en tareas de manipulación sin entrenamiento previo.
Este trabajo propone PixTrace y CopyNCE, dos innovaciones que combinan el rastreo de coordenadas de píxeles con una pérdida de contraste guiada geométricamente para mejorar la detección de copias en imágenes mediante el aprendizaje de correspondencias finas y la reducción de ruido en el entrenamiento auto-supervisado.
Este artículo presenta DCAG, un marco de edición de imágenes sin entrenamiento para Transformadores de Difusión (DiT) que, al manipular simultáneamente los canales de Clave y Valor para aprovechar su estructura de sesgo-delta, logra un control más preciso sobre la fidelidad de la edición en comparación con los métodos existentes que solo utilizan el canal de Clave.
Este trabajo introduce las Redes Neuronales Hiperbólicas Busemann (HBNN), que elevan la regresión logística multinomial y las capas totalmente conectadas al espacio hiperbólico mediante funciones de Busemann, logrando mejoras en eficacia y eficiencia para datos jerárquicos en comparación con capas hiperbólicas anteriores.
El artículo presenta GS-CLIP, un marco de aprendizaje profundo que mejora la detección de anomalías 3D sin datos de entrenamiento mediante prompts de texto conscientes de la geometría y un aprendizaje sinérgico de representaciones visuales que fusiona imágenes renderizadas y de profundidad.