8651 artículos
Este artículo establece el Teorema de la Base Finita, demostrando que cualquier modelo de imagen computacional puede representarse de manera constructiva y minimalista como un grafo acíclico dirigido compuesto por exactamente 11 primitivas canónicas, sentando así las bases matemáticas para el marco del Modelo de Mundo Físico.
WildGHand es un marco de optimización basado en *splatting* gaussiano que logra la reconstrucción de avatares de manos 3D de alta fidelidad a partir de videos monoculars en entornos reales, mediante la disociación dinámica de perturbaciones y una estrategia de optimización sensible a estas para superar desafíos como interacciones con objetos, iluminación variable y desenfoque de movimiento.
El artículo presenta BFA++, un marco de poda dinámica de tokens diseñado específicamente para modelos de visión-idioma-acción que utiliza una estrategia de poda jerárquica guiada por predictores intra e inter-visuales para mejorar la eficiencia computacional y la tasa de éxito en tareas de manipulación robótica sin sacrificar el rendimiento.
El artículo presenta AIForge-Doc, el primer benchmark diseñado para detectar falsificaciones de documentos financieros y formularios generadas por modelos de difusión, revelando que los detectores actuales y los modelos de visión-lingüística fallan estrepitosamente al identificar estas manipulaciones a nivel de píxel.
Este artículo presenta el IEDD, un conjunto de datos interactivo mejorado que utiliza una pipeline escalable para extraer millones de segmentos de interacción de datos de conducción natural y genera un subconjunto VQA con videos sintéticos de vista cenital para superar las limitaciones de alineación multimodal y escasez de escenarios interactivos en el desarrollo de modelos de conducción autónoma.
El artículo presenta MVLAD-AD, un marco innovador de difusión enmascarada que combina visión, lenguaje y acción mediante una tokenización discreta y embebidos geométricos para lograr una conducción autónoma de extremo a extremo que es simultáneamente eficiente, precisa y explicativa.
PropFly es un pipeline de entrenamiento para la edición de video basada en propagación que elimina la necesidad de conjuntos de datos emparejados al generar supervisión en tiempo real a partir de modelos de difusión de video preentrenados, logrando así resultados de alta calidad y consistencia temporal que superan a los métodos actuales.
Este artículo presenta un método de reconstrucción 3D conjunta que supera las limitaciones de los enfoques tradicionales al integrar correspondencias cruzadas entre sesiones mediante características visuales híbridas y reconocimiento de lugar, permitiendo así la creación de modelos coherentes a partir de imágenes capturadas con años de diferencia en entornos con cambios sustanciales como los arrecifes de coral.
Este artículo presenta InterFormer, un transformador consciente de la interacción que mejora el análisis de manos y objetos en visión egocéntrica mediante un generador de consultas dinámico, un selector de características de doble contexto y una pérdida de co-ocurrencia condicional para lograr un rendimiento superior y una consistencia física en la predicción.
El artículo presenta VAGNet, un marco que mejora la localización de affordances en objetos 3D al aprovechar secuencias de interacción humana dinámicas en lugar de solo señales estáticas, respaldado por el nuevo conjunto de datos PVAD.
Este artículo presenta IPOW, un marco de detección de objetos en mundo abierto interpretable que utiliza un modelo de descomposición conceptual para distinguir entre categorías conocidas y desconocidas, mejorando así la recuperación de objetos desconocidos y mitigando la confusión mediante una rectificación guiada por conceptos.
RecoverMark es un marco de marcaje de agua robusto que utiliza el contenido facial como marca de agua incrustada en el fondo para lograr simultáneamente la localización de manipulaciones, la recuperación de contenido y la verificación de propiedad intelectual, superando las vulnerabilidades de los métodos existentes mediante un entrenamiento progresivo que simula ataques adversarios.
El artículo presenta SIFormer, un transformador que mejora la detección 3D de objetos al combinar cámaras y radares 4D mediante un mecanismo de activación cruzada que inyecta pistas de instancias 2D en el espacio BEV para superar la escasez de datos geométricos del radar y lograr un rendimiento de vanguardia.
El artículo presenta SurgAtt-Tracker, un marco holístico que rastrea la atención quirúrgica mediante la generación de mapas de calor densos y técnicas de refinamiento temporal para ofrecer una guía precisa del campo de visión en cirugías mínimamente invasivas, respaldado por el nuevo benchmark a gran escala SurgAtt-1.16M.
Este artículo presenta SD4R, un marco novedoso que transforma nubes de puntos de radar 4D escasas en representaciones densas mediante un generador de puntos de primer plano y un codificador de consultas de logit, logrando un rendimiento superior en la detección de objetos 3D al abordar los desafíos de esparsidad y ruido inherentes a estos datos.
Este estudio demuestra la viabilidad de utilizar modelos de visión-idioma basados en video RGB para estimar de forma no invasiva las distancias horizontales y verticales de las manos en tareas de levantamiento manual, logrando una mayor precisión mediante la incorporación de segmentación de píxeles y múltiples vistas.
El artículo presenta AnimeAgent, un marco multiagente pionero basado en modelos de Imagen-a-Video que supera las limitaciones de los enfoques estáticos actuales para la generación de storyboards personalizados, logrando un rendimiento superior en consistencia, fidelidad a los prompts y estilización mediante un flujo de trabajo iterativo inspirado en Disney y una evaluación híbrida.
El artículo presenta BoxSplitGen, un marco generativo interactivo que facilita la creación 3D detallada mediante la división iterativa de cajas delimitadoras para refinar formas abstractas y su posterior conversión en mallas 3D de alta calidad.
El trabajo presenta BBQ, un modelo de texto a imagen a gran escala que permite un control preciso sobre la ubicación, el tamaño y el color de los objetos mediante la condición directa de coordenadas de cuadros delimitadores numéricos y tripletes RGB dentro de un marco de texto estructurado, eliminando la necesidad de modificaciones arquitectónicas o optimización en tiempo de inferencia.
El paper presenta MatchED, un módulo de supervisión basado en emparejamiento ligero y plug-and-play que permite el aprendizaje de extremo a extremo de mapas de bordes nítidos de un píxel de ancho, superando por primera vez el rendimiento de los métodos tradicionales que dependen de post-procesamiento no diferenciable.