8644 artículos
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.
El artículo presenta KeyTailor, un marco innovador que mejora el probador virtual en video mediante una estrategia de inyección de detalles impulsada por fotogramas clave para preservar la dinámica de la ropa y la integridad del fondo, junto con el conjunto de datos ViT-HD de alta definición, logrando resultados superiores a los métodos actuales con menor complejidad computacional.
CogFlow es un marco de tres etapas inspirado en la cognición humana que mejora la resolución de problemas matemáticos visuales mediante la internalización de conocimientos y recompensas visuales sinérgicas para garantizar una integración fiel de la percepción en el razonamiento, respaldado por un nuevo conjunto de datos llamado MathCog.
El artículo presenta Fast-ThinkAct, un marco de razonamiento eficiente para tareas de Visión-Lenguaje-Acción que utiliza razonamiento latente verbalizable para reducir la latencia de inferencia hasta un 89,3% en comparación con los métodos actuales, manteniendo al mismo tiempo una fuerte capacidad de planificación y adaptación en entornos dinámicos.
El artículo presenta MetamerGen, una herramienta basada en un modelo de difusión latente que genera metameros de escenas al combinar información de contexto periférico y detalles foveales para crear imágenes que coinciden con la representación mental humana de una escena.
Este artículo presenta THz-SSDD, una red neuronal auto-supervisada basada en análisis de componentes principales que elimina simultáneamente el ruido y la borrosidad en imágenes de terahercios sin necesidad de datos etiquetados, preservando las características físicas de las señales originales.
Este artículo propone una taxonomía unificada y una API estandarizada en TorchGeo para transformar los productos de incrustaciones de modelos fundamentales geoespaciales en conjuntos de datos accesibles, resolviendo así la fragmentación actual y facilitando la comparación y reproducibilidad en la observación terrestre.
El artículo presenta ACLNet, una red de aprendizaje contrastivo de afinidad que mejora el reconocimiento de actividades humanas basadas en esqueletos al explotar las similitudes estructurales interclase mediante métricas de afinidad, superclases dinámicas y una estrategia de contraste con margen, demostrando su superioridad en múltiples conjuntos de datos.
El artículo presenta CER-HV, un marco de trabajo con intervención humana que combina un detector de ruido basado en CER y verificación manual para identificar y limpiar errores en conjuntos de datos de reconocimiento de texto manuscrito en escritura árabe, demostrando que la mejora de la calidad de los datos eleva significativamente el rendimiento del modelo y establece nuevos estándares de referencia.
Este artículo propone un enfoque de optimización guiado por Pareto para la segmentación de imágenes médicas que, mediante una estrategia de currículo regional, una función de pérdida consistente con Pareto y un mecanismo de etiquetado difuso, aborda la incertidumbre no uniforme en los bordes para lograr una convergencia más estable y superar a los métodos tradicionales en la delimitación de tumores.
El artículo presenta DVLA-RL, un enfoque de aprendizaje con pocos ejemplos que utiliza la alineación semántica de dos niveles y un mecanismo de atención con puertas controladas por aprendizaje por refuerzo para integrar dinámicamente atributos visuales de bajo nivel y descripciones de alto nivel generadas por modelos de lenguaje, logrando así un rendimiento superior en nueve benchmarks.
Este trabajo propone un marco de computación totalmente óptico basado en redes neuronales difractivas para realizar segmentación semántica y detección de carriles en la conducción autónoma, logrando una mayor eficiencia energética y velocidad en comparación con los métodos convencionales de redes neuronales profundas.
El artículo presenta GOT-Edit, un enfoque de edición de modelos en línea que integra pistas geométricas 3D en rastreadores de objetos genéricos mediante la modificación de modelos preentrenados, logrando así una mayor robustez y precisión frente a oclusiones y distracciones al combinar razonamiento semántico 2D con conocimiento geométrico.
El informe técnico presenta UI-Venus-1.5, una familia unificada de agentes de GUI que, mediante avances técnicos como un entrenamiento intermedio masivo, aprendizaje por refuerzo en línea y fusión de modelos, establece nuevos récords de rendimiento en la automatización de interacciones en entornos digitales complejos.
Este estudio demuestra que los modelos fundacionales de observación terrestre, como Prithvi-EO-2.0 y TerraMind, superan consistentemente a las arquitecturas tradicionales en tareas ecológicas clave, aunque su rendimiento óptimo depende de la alineación de los datos, la resolución de las imágenes y la precisión de las etiquetas.
El artículo presenta DriveMamba, un modelo de espacio de estado escalable centrado en tareas que utiliza un decodificador unificado Mamba con complejidad lineal y un escaneo bidireccional guiado por trayectorias para superar las limitaciones de eficiencia y pérdida de información de los sistemas de conducción autónoma de extremo a extremo existentes, demostrando un rendimiento superior en conjuntos de datos como nuScenes y Bench2Drive.
Sim2Radar es un marco de trabajo que cierra la brecha entre la simulación y la realidad en la percepción por radar de ondas milimétricas al sintetizar datos de entrenamiento a partir de imágenes RGB utilizando reconstrucción de escenas guiada por visión artificial y modelos físicos, logrando así mejoras significativas en la detección de objetos 3D mediante aprendizaje por transferencia.
Este trabajo presenta HERO, un nuevo paradigma que combina modelos de visión de gran vocabulario con un control preciso de extremo final basado en simulación para permitir a los robots humanoides manipular objetos arbitrarios en entornos del mundo real con una generalización superior.
Este estudio presenta el primer mapa de cultivos leñosos de 10 metros de resolución para Sudamérica, generado mediante aprendizaje profundo, que revela vínculos con la deforestación y corrige errores en los mapas regulatorios actuales que clasifican erróneamente la agricultura establecida como bosque, protegiendo así a los pequeños agricultores.
El artículo presenta EAGLE, un marco libre de ajuste que mejora la detección de anomalías industriales en modelos de lenguaje grandes multimodales mediante la guía de la atención con modelos expertos, logrando un rendimiento comparable a métodos de ajuste fino sin actualizar parámetros.