8695 artículos
El artículo propone una representación geométrica novedosa que modela las formas 3D como distribuciones utilizando modelos de difusión, superando las limitaciones de los enfoques basados en redes neuronales tradicionales para capturar detalles finos y manejar estructuras complejas sin restricciones de topología.
El artículo presenta Speedy-Splat, un enfoque que acelera drásticamente la velocidad de renderizado, reduce el tamaño del modelo y disminuye el tiempo de entrenamiento de la técnica 3D Gaussian Splatting mediante la optimización del pipeline de renderizado para localizar Gaussians y la integración de una nueva técnica de poda.
El artículo presenta MEt3R, una nueva métrica independiente del muestreo que evalúa la consistencia multi-vista en imágenes generadas mediante la reconstrucción 3D densa y el análisis de similitud de características, permitiendo así comparar diversos métodos de generación de nuevas vistas y video.
Este artículo presenta una solución polinómica rápida y precisa para el problema de perspectiva de cuatro puntos, basada en una novedosa separación de variables que reduce el problema a uno de orientación absoluta, logrando ser un orden de magnitud más rápida que los algoritmos actuales con una precisión similar.
Este trabajo propone un marco de aprendizaje auto-supervisado que utiliza atributos espaciales y temporales de imágenes de Street View para aprender representaciones urbanas invariantes, superando a los métodos existentes en tareas como la estimación socioeconómica y la percepción humano-ambiental.
Este estudio presenta SAMRI-2, un modelo de visión fundacional basado en memoria que, mediante una estrategia de mezcla híbrida y propagación de máscaras, supera a otros enfoques de deep learning en la segmentación precisa y eficiente de cartílago y menisco en resonancias magnéticas 3D de la rodilla, reduciendo significativamente el esfuerzo de anotación y los errores morfométricos.
Este artículo presenta IVPT, el primer marco de ajuste de prompts visuales interpretables que vincula los prompts a prototipos de conceptos semánticos agnósticos a la categoría para generar explicaciones en múltiples capas de la red y mejorar tanto la interpretabilidad como el rendimiento en tareas de clasificación.
Este artículo presenta Hier-COS, un marco novedoso que utiliza la composición de subespacios ortogonales para generar representaciones de características jerárquicamente conscientes y consistentes, superando las limitaciones de las métricas de evaluación existentes mediante la propuesta de HOPS y logrando un rendimiento superior en clasificación jerárquica y de granularidad fina.
El artículo presenta SpHOR, un enfoque de aprendizaje de representaciones que mejora el reconocimiento de conjunto abierto mediante el diseño de un espacio de características con embebidos de etiquetas ortogonales, restricciones esféricas y técnicas de regularización, logrando resultados de vanguardia en la identificación de clases desconocidas.
El artículo presenta PSGait, un marco de reconocimiento de la marcha que introduce el "Parsing Skeleton" para fusionar esqueletos y siluetas, logrando una mayor precisión y generalización en escenarios reales con un menor costo computacional.
El artículo presenta VideoMind, un agente de video-idioma innovador que utiliza un flujo de trabajo basado en roles y un mecanismo de Cadena de LoRA para lograr un razonamiento temporalmente fundamentado en videos, demostrando un rendimiento superior en múltiples tareas de comprensión de video.
ShapeShift es un método que sintetiza configuraciones de objetos rígidos sin superposiciones que representan conceptos semánticos mediante el uso de características de modelos de difusión para guiar anisotrópicamente la resolución de conflictos geométricos, logrando así un equilibrio entre validez física y claridad semántica.
Este trabajo introduce el conjunto de datos y punto de referencia Qualcomm Interactive Video Dataset (IVD) para evaluar la capacidad de los modelos de visión-idioma para responder preguntas en tiempo real sobre escenas del mundo real, demostrando que, aunque los modelos actuales están muy por detrás del rendimiento humano, el ajuste fino puede reducir significativamente esta brecha en muchas habilidades perceptivas.
Este trabajo propone un método de generación de pesos analógicos inspirado en el cerebro, denominado BiAG, que permite el aprendizaje incremental de pocas clases sin ajuste fino de parámetros al derivar pesos de nuevas clases a partir de conocimientos previos mediante mecanismos de atención y conversión semántica, logrando así un rendimiento superior en conjuntos de datos como miniImageNet, CUB-200 y CIFAR-100.
Este artículo presenta JavisDiT, un transformador de difusión unificado que genera audio y video sincronizados de alta calidad mediante un prior jerárquico espaciotemporal, respaldado por un nuevo benchmark y métricas de evaluación diseñados para escenarios del mundo real.
El artículo presenta STEP, un método de sondeo ligero que incorpora codificaciones posicionales y atención para capturar el orden temporal, superando tanto a las técnicas de ajuste fino eficientes como a los modelos completamente entrenados en la clasificación de acciones casi simétricas para la interacción humano-robot.
El artículo propone DL4ND, el primer método diseñado específicamente para la generalización consciente del ruido (NAG), que aprovecha la mayor variación de las muestras ruidosas entre dominios para superar las limitaciones de los enfoques existentes y lograr mejoras significativas en la generalización.
El artículo presenta nnLandmark, un marco de trabajo autoconfigurable que combina componentes de nnU-Net para lograr un rendimiento de vanguardia en la detección de puntos de referencia médicos 3D, ofreciendo una solución lista para usar que elimina la necesidad de ajuste manual de hiperparámetros y establece un estándar unificado para la evaluación y comparación de métodos en este campo.
Este artículo propone un método de coincidencia de características semidensas que mejora el rendimiento al utilizar una atención guiada por confianza para eliminar el ruido de regiones irrelevantes, ajustando dinámicamente las distribuciones de atención y reescalando las características de valor basándose en mapas de confianza precalculados.
El artículo presenta GRILL, una técnica que restaura las señales de gradiente en capas mal condicionadas de los autoencodadores para superar las limitaciones de los ataques adversarios existentes y permitir una evaluación más rigurosa de su robustez.