8635 artículos
Este artículo presenta la NS-FPN, una red de pirámide de características que mejora la detección y segmentación de objetivos pequeños en infrarrojos mediante la supresión de ruido en el dominio de la frecuencia, logrando así una reducción significativa de las falsas alarmas en comparación con los métodos basados en CNN.
Este artículo presenta SSD-Reg, un marco híbrido de física y aprendizaje profundo que integra modelos de difusión como regularización en un esquema variacional para reconstruir imágenes de tomografía de microondas con alta precisión y sin necesidad de datos de entrenamiento emparejados.
Este artículo presenta TS-Mamba, un nuevo método de superresolución de video en línea que utiliza modelos de espacio de estado desplazados con conciencia de trayectoria para lograr una agregación espaciotemporal eficiente y de alto rendimiento, superando a los modelos existentes con una reducción significativa de la complejidad computacional.
El paper presenta MoSA, un modelo que genera videos humanos coherentes mediante la decouplación de la estructura y la apariencia, utilizando un transformador 3D para el movimiento y restricciones de contacto para mejorar la interacción con el entorno, superando significativamente a los métodos existentes.
Este trabajo presenta DeReF, un nuevo marco multimodal para la predicción de supervivencia del cáncer que supera las limitaciones de los métodos existentes mediante una estrategia de reorganización aleatoria de características y un módulo de fusión dinámica basado en expertos, mejorando así la generalización y la interacción de información entre modalidades en conjuntos de datos de cáncer de hígado y TCGA.
Este artículo presenta un marco innovador que aprende representaciones unificadas para modelar la frecuencia cardíaca de manera robusta ante la heterogeneidad de datos, abordando tanto las diferencias entre dispositivos como las variaciones fisiológicas individuales mediante estrategias como el dropout aleatorio de características, la atención consciente del historial y el aprendizaje contrastivo, lo que se valida mediante un nuevo conjunto de datos (PARROTAO) y mejoras significativas en el rendimiento frente a métodos existentes.
Este artículo presenta EHWGesture, un nuevo conjunto de datos multimodal que incluye grabaciones de video RGB-D y de eventos con seguimiento preciso de landmarks, diseñado para avanzar en la comprensión de gestos clínicos, la detección de activación y la evaluación de la calidad de la ejecución mediante cinco gestos relevantes capturados de 25 sujetos.
El artículo presenta PCPO, un marco de optimización que corrige la asignación desproporcionada de créditos en los modelos de generación de imágenes mediante una reformulación estable y un reequilibrio de pasos temporales, logrando así una convergencia más rápida y una calidad de imagen superior al mitigar el colapso del modelo.
Este artículo presenta RobustVLA, un modelo de visión-lenguaje-acción que mejora significativamente la robustez frente a perturbaciones multimodales mediante optimización de salida adversaria y consistencia de entrada, demostrando ganancias sustanciales en rendimiento y eficiencia tanto en simulaciones como en robots reales.
El artículo presenta DeLTa, un marco innovador que combina estimación de profundidad, estimación de pose 6D y planificación guiada por lenguaje para lograr la manipulación precisa de objetos transparentes novedosos a largo plazo mediante una sola demostración, superando las limitaciones de generalización y precisión de los métodos existentes.
Este trabajo presenta Spatial-DISE, un nuevo benchmark unificado y un conjunto de datos escalable diseñados para evaluar la capacidad de razonamiento espacial intrínseco-dinámico en modelos de visión y lenguaje, revelando una brecha significativa entre el rendimiento actual de estos modelos y la competencia humana.
El artículo presenta UniGenBench++, un nuevo benchmark unificado y multilingüe que evalúa de forma exhaustiva y detallada la consistencia semántica de los modelos de generación de imágenes a partir de texto mediante 600 prompts jerárquicos y criterios de evaluación finos.
El paper presenta egoEMOTION, el primer conjunto de datos que combina señales visuales egocéntricas y fisiológicas con autoinformes densos de emociones y personalidad para establecer nuevas tareas de referencia y modelos de comportamiento impulsados por el afecto en escenarios reales.
Este trabajo presenta un marco innovador que integra la localización acústica 3D con datos visuales dinámicos para mejorar la comprensión contextual de los entornos quirúrgicos y sentar las bases para sistemas quirúrgicos inteligentes.
El artículo presenta SpecAware, un modelo fundacional novedoso que unifica el aprendizaje multi-sensor para el mapeo de imágenes hiperespectrales mediante un proceso de incrustación impulsado por hiperredes y el uso del conjunto de datos Hyper-400K, superando así las limitaciones de generalización causadas por la heterogeneidad espectral entre diferentes sensores.
Este trabajo presenta VCFlow, una arquitectura de decodificación visual jerárquica inspirada en el proceso cognitivo que, mediante el modelado de las vías ventral y dorsal y el aprendizaje contrastivo, permite reconstruir experiencias visuales continuas a partir de fMRI de sujetos no vistos sin necesidad de entrenamiento específico, ofreciendo una solución rápida y escalable para aplicaciones clínicas.
Este trabajo presenta el primer método de detección de cambios en escena en tiempo real que, mediante fusión multi-vista auto-supervisada, estimación de pose rápida y actualizaciones guiadas en la representación 3D Gaussian Splatting, logra un rendimiento superior a los enfoques offline existentes operando a más de 10 FPS sin necesidad de etiquetas ni conocimiento de la pose.
CuriGS es un marco de aprendizaje basado en un currículo que mejora la síntesis de vistas escasas mediante la generación y selección progresiva de vistas estudiantiles pseudo-sintéticas para regular y ampliar el conjunto de entrenamiento de la representación 3D Gaussian Splatting.
El artículo presenta PPCL, un marco de poda estructurada flexible con destilación de capas contiguas diseñado para reducir en un 50% los parámetros de los Transformadores de Difusión (DiT) manteniendo una calidad de generación de imágenes casi intacta, lo que facilita su implementación en entornos con recursos limitados.
El artículo presenta ViPO, una variante de la Optimización de Política de Preferencia Visual que mejora el entrenamiento de modelos generativos al transformar las recompensas escalares en mapas de ventaja a nivel de píxel, permitiendo así una alineación más precisa con las preferencias humanas y una corrección efectiva de artefactos locales en imágenes y videos.