8615 artículos
El artículo presenta MoGaF, un marco basado en 4D Gaussian Splatting que utiliza agrupación y optimización conscientes del movimiento para lograr una extrapolación de escenas dinámicas a largo plazo con mayor coherencia espacial, plausibilidad física y estabilidad temporal que los métodos existentes.
Este artículo presenta E-comIQ-ZH, un marco que incluye el primer dataset y benchmark automatizado con razonamiento paso a paso para evaluar de manera precisa y alineada con expertos la calidad de los carteles de comercio electrónico en chino, superando las limitaciones de las métricas actuales.
El artículo presenta SF3D-RGB, una arquitectura de aprendizaje profundo que estima el flujo de escena combinando imágenes monoculares y nubes de puntos LiDAR dispersas mediante un módulo de emparejamiento gráfico y refinamiento residual, logrando mayor precisión y eficiencia que los métodos de un solo modo o fusión existentes.
Este artículo presenta una arquitectura de aprendizaje profundo basada en U-Net para segmentar tumores cerebrales en diversas modalidades de resonancia magnética, con un énfasis especial en el compartimento no realzante, el cual, aunque ha sido omitido en desafíos recientes como los de MICCAI, es crucial para predecir la supervivencia del paciente y las zonas de crecimiento tumoral.
El artículo presenta una estrategia de dirección de activación multimodal dinámica y sin entrenamiento que mitiga las alucinaciones en los Grandes Modelos de Lenguaje Visual (LVLM) mediante la identificación de subconjuntos específicos de cabezas de atención y la aplicación de vectores de dirección de veracidad sensibles al contexto.
El artículo presenta SurGo-R1, un modelo optimizado mediante RLHF con una arquitectura de razonamiento contextual por fases que supera significativamente a los modelos de visión-lingüística generalistas en la identificación de zonas seguras y el razonamiento clínico durante cirugías mínimamente invasivas, respaldado por un nuevo benchmark llamado ResGo.
Este trabajo presenta un método de reconstrucción de imágenes que aprende mapas de nivel de dispersión espacialmente adaptativos para diccionarios convolucionales arbitrarios, logrando invarianza a permutaciones de filtros y mayor robustez ante cambios en la distribución de datos en comparación con enfoques de aprendizaje profundo convencionales.
Este estudio demuestra que los modelos de aprendizaje profundo para la delimitación de masas forestales logran una precisión comparable utilizando modelos de altura del dosel derivados de fotogrametría aérea en lugar de escaneo láser, lo que permite crear conjuntos de datos más escalables y temporalmente alineados sin necesidad de modelos digitales de terreno adicionales.
Este trabajo presenta un método innovador para la segmentación de imágenes dentales que combina un codificador de tres etapas con representaciones jerárquicas y un modelado bidireccional de secuencias para superar las limitaciones de los enfoques tradicionales y de los transformadores, logrando así una mayor precisión y eficiencia computacional.
El artículo presenta TranX-Adapter, un adaptador ligero que mejora la detección de imágenes generadas por IA en modelos multimodales grandes al resolver la dilución de la atención mediante una fusión óptima de transporte y mecanismos de cruz-atención que integran eficazmente características de artefactos y semánticas.
El artículo presenta SigVLP, un modelo de pre-entrenamiento auto-supervisado para tomografía computarizada que utiliza incrustaciones de posición rotatorias y alineación texto-volumen a nivel de fragmentos para manejar eficazmente la variabilidad en el tamaño de los volúmenes médicos y mejorar las representaciones adaptativas en diversas tareas de diagnóstico.
Este trabajo propone un paradigma de "Estructura-a-Imagen" que utiliza la congruencia de fase y una restricción estructural cruzada para adaptar simulaciones a imágenes reales de colonoscopia, logrando una estimación de profundidad sin supervisión con una reducción del 44,18% en el error cuadrático medio en comparación con métodos existentes.
El artículo presenta LiREC-Net, una red de aprendizaje basada en escenas naturales sin objetivos que calibra simultáneamente sensores LiDAR, RGB y de eventos dentro de un marco unificado, logrando un rendimiento competitivo y estableciendo un nuevo estándar para la fusión tri-modal.
Este trabajo propone un marco de paralelismo híbrido que combina la partición basada en condiciones y la programación de pipelines adaptativa para acelerar significativamente la inferencia de modelos de difusión sin comprometer la calidad de la generación.
El artículo presenta SAPNet++, una red que mejora la segmentación de instancias guiada por puntos mediante la integración de estrategias de distancia, minería de cajas y afinidad multivariada para resolver la ambigüedad granular y la incertidumbre de los límites, logrando un rendimiento superior en cuatro conjuntos de datos desafiantes.
Este artículo presenta CUPID, un nuevo marco de desaprendizaje que aborda el fenómeno de "aprendizaje fácil, olvido difícil" en modelos sesgados al desentrelazar y actualizar selectivamente las vías causales y de sesgo, logrando así un olvido robusto y un rendimiento superior en conjuntos de datos sesgados.
Este trabajo presenta FAQ, un nuevo benchmark a gran escala que evalúa y mejora la capacidad de razonamiento temporal de los modelos de visión y lenguaje para la detección de deepfakes en video mediante una jerarquía de tareas de percepción, localización y razonamiento forense.
El artículo presenta XStreamVGGT, un enfoque sin ajuste que integra poda y cuantización para comprimir la memoria KV en modelos de geometría visual, logrando una inferencia de reconstrucción 3D en streaming extremadamente eficiente que reduce el uso de memoria en 4.42 veces y acelera la inferencia en 5.48 veces con una degradación de rendimiento mínima.
El artículo presenta GeoMotion, un enfoque totalmente basado en aprendizaje que realiza segmentación de movimiento de extremo a extremo mediante mecanismos de atención sobre representaciones latentes, aprovechando la geometría 4D para evitar la estimación explícita de correspondencias y lograr un rendimiento superior con alta eficiencia.
El artículo presenta StoryMovie, un dataset de 1.757 historias alineadas con guiones cinematográficos y subtítulos mediante coincidencia LCS, que permite entrenar al modelo Storyteller3 para mejorar significativamente la atribución de diálogos y la alineación semántica más allá de la mera fundamentación visual.