8613 artículos
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.
El artículo presenta TherA, un marco de traducción de imágenes RGB a infrarrojos térmicos impulsado por un modelo de difusión latente y un VLM consciente de la física térmica, que genera datos sintéticos térmicamente plausibles y controlables mediante prompts, superando significativamente a los métodos existentes.
Los autores proponen un marco de aprendizaje múltiple (MIL) regularizado espacialmente que aprovecha las relaciones espaciales intrínsecas entre parches como señal de regularización independiente de las etiquetas para superar los desafíos de supervisión escasa en el análisis de imágenes de diapositivas completas, logrando mejoras significativas sobre los métodos actuales.
RAYNOVA es un modelo fundacional de mundo para escenarios de conducción que, mediante un marco autorregresivo dual basado en codificación posicional de rayos de Plücker y atención global, genera videos multivista de alta calidad y generalizable sin depender de priores geométricos 3D explícitos.
Este trabajo presenta MMHNet, una arquitectura de redes jerárquicas multimodales que integra Mamba no causal para superar el desafío de la generalización de longitud en la generación de audio a partir de video, permitiendo crear pistas de audio de más de cinco minutos sin necesidad de entrenar con secuencias largas.
Este trabajo presenta cVMDx, un marco de predicción de trayectorias basado en modelos de difusión que utiliza muestreo DDIM para lograr una reducción de 100 veces en el tiempo de inferencia y una estimación robusta de incertidumbre multimodal, superando en precisión y eficiencia al modelo cVMD en el conjunto de datos highD.
Este artículo presenta un estudio sistemático sobre las leyes de escalado para transformadores de síntesis de vistas, demostrando que una arquitectura codificador-decodificador llamada SVSM alcanza un rendimiento óptimo en relación con el cómputo y supera a los modelos anteriores con menos recursos de entrenamiento.
El artículo presenta RelA-Diffusion, un marco de difusión adversarial relativista que sintetiza imágenes de PET multi-rastreador a partir de resonancias magnéticas multimodales (T1 y T2-FLAIR) mediante una pérdida adversarial con penalización de gradiente, logrando una mayor fidelidad visual y cuantitativa que los métodos existentes para la evaluación neurológica.
Este trabajo presenta un marco de difusión de video para el quirófano que sintetiza eventos rutinarios y raros a partir de representaciones geométricas abstractas, superando a los métodos existentes y permitiendo entrenar modelos de inteligencia artificial para detectar violaciones críticas de esterilidad.
El artículo presenta MMLoP, un marco de aprendizaje de prompts multi-modal que utiliza factorización de bajo rango para lograr una adaptación eficiente de modelos visión-idioma con solo 11.5K parámetros entrenables, superando en rendimiento y generalización a métodos existentes mucho más grandes.
Este trabajo introduce un enfoque sin entrenamiento para la segmentación temporal de acciones de vocabulario abierto y cero disparos, que aprovecha la similitud entre marcos y etiquetas de modelos de visión-lingüística para lograr resultados sólidos en benchmarks estándar sin supervisión específica de la tarea.
Este trabajo introduce WildSVG, un nuevo benchmark compuesto por conjuntos de datos naturales y sintéticos para evaluar la extracción de gráficos vectoriales escalables (SVG) a partir de imágenes reales, revelando que los modelos multimodales actuales aún tienen un rendimiento insuficiente en escenarios del mundo real pero que los métodos de refinamiento iterativo ofrecen una vía prometedora.
Este artículo presenta \textit{tugturn.py}, una herramienta de código abierto en Python que automatiza el análisis biomecánico del Test de Levantarse y Caminar (TUG) mediante una pipeline 3D sin marcadores, permitiendo la segmentación de fases, la detección de eventos de la marcha y el cálculo de métricas de estabilidad y coordinación intersegmental para apoyar la toma de decisiones clínicas y de investigación.
El estudio presenta PSF-Med, un benchmark que revela la sensibilidad a parafraseos en modelos de visión y lenguaje médicos, e identifica mediante autoencoders dispersos un mecanismo causal específico que, al ser controlado, mejora significativamente la estabilidad de las respuestas sin comprometer la precisión.
Este trabajo propone un marco de decodificación causal que, mediante intervenciones dirigidas durante la generación, reduce significativamente las alucinaciones de objetos en los Modelos Grandes de Lenguaje Multimodales manteniendo la calidad general de la respuesta.
Este estudio evalúa la robustez adversarial de un modelo de segmentación de nódulos tiroideos en ultrasonido frente a ataques de ruido estructurado y perturbaciones en el dominio de la frecuencia, demostrando que las defensas de preprocesamiento mejoran significativamente el rendimiento ante ataques espaciales pero resultan ineficaces contra perturbaciones en el dominio de la frecuencia.
Este trabajo propone la Red de Atención Bidireccional Perceptual Eficiente (Efficient-PBAN), un marco de super-resolución de imágenes que optimiza la calidad visual mediante una métrica de percepción aprendida integrada como función de pérdida diferenciable, superando así las limitaciones de los enfoques tradicionales orientados a la distorsión.
Este trabajo presenta SPL, un marco de entrenamiento unificado que combina etiquetado pseudo-semántico y aprendizaje de prototipos para lograr una detección robusta de objetos 3D en escenarios no supervisados y con supervisión escasa, superando el estado del arte en conjuntos de datos como KITTI y nuScenes.
El artículo presenta AHAN, una red neuronal con atención jerárquica asimétrica que mejora la verificación de rostros de gemelos idénticos al analizar variaciones no genéticas mediante módulos de atención cruzada multinivel y de asimetría facial, logrando una precisión del 92,3% en el conjunto de datos ND_TWIN.