8698 artículos
Este artículo propone un método de transferencia de representaciones de características a modelos ligeros mediante una nueva noción de "coherencia de percepción" que, al minimizar un nuevo tipo de pérdida basada en el ranking de disimilitudes, permite que el modelo estudiantil imite la percepción del modelo docente preservando la coherencia global sin necesidad de replicar su geometría absoluta.
El artículo presenta U2-BENCH, el primer benchmark integral que evalúa el rendimiento de 23 modelos de lenguaje-visión grandes en la comprensión de imágenes de ultrasonido a través de múltiples tareas clínicas, revelando un buen desempeño en clasificación pero desafíos persistentes en el razonamiento espacial y la generación de lenguaje clínico.
El artículo presenta TEMU-VTOFF, un marco de aprendizaje profundo basado en DiT que utiliza información multimodal (imagen, texto y máscara) para generar imágenes de productos de ropa de alta calidad y libres de ambigüedades a partir de fotos de personas vestidas, superando así las limitaciones de detalle y precisión de los métodos existentes en la tarea de "virtual try-off".
Los autores proponen un nuevo códec de video neuronal para fotogramas B que mejora la compresión mediante un autoencoder de movimiento interactivo de doble rama y una fusión temporal selectiva, logrando una reducción de tasa de bits del 10% frente a los métodos más avanzados y un rendimiento comparable al estándar H.266/VVC.
Este artículo presenta la Distancia de Características de Percepción (PCD), una nueva métrica que incorpora la incertidumbre estocástica de los algoritmos de percepción para evaluar la estabilidad y robustez de los sistemas de conducción autónoma en condiciones dinámicas, validada mediante el nuevo conjunto de datos SensorRainFall que demuestra su superioridad sobre las métricas tradicionales.
Este trabajo demuestra que mejorar los modelos de visión y lenguaje médicos mediante la incorporación de imágenes de referencia sanas y prompts comparativos, junto con un ajuste fino supervisado ligero, incrementa significativamente el rendimiento diagnóstico y la eficiencia de la muestra al imitar la práctica clínica de diagnóstico comparativo.
Este trabajo presenta un nuevo marco de reconstrucción hiperespectral multiimagen (MI-HSR) que aprovecha las cámaras de smartphones con filtros espectrales, respaldado por el primer conjunto de datos específico (Doomer) y un módulo de alineación ligero, logrando una estimación espectral un 30% más precisa que las cámaras RGB convencionales y mejorando un 5% adicional la calidad de los métodos actuales.
Este artículo presenta SCINet, un marco innovador para el aprendizaje multietiqueta parcial que integra conocimiento semántico de co-ocurrencia mediante un módulo de promotor bi-dominante y una fusión de modalidades cruzadas para mejorar la alineación semántica y la identificación de relaciones ambiguas entre etiquetas e instancias.
El modelo MoVieS presenta un enfoque unificado y extremadamente rápido que reconstruye escenas dinámicas 4D a partir de videos monoculares en un segundo, permitiendo simultáneamente la síntesis de vistas, la reconstrucción geométrica y el seguimiento de puntos mediante primitivas gaussianas alineadas con píxeles.
El artículo presenta Winsor-CAM, un método eficiente y robusto que genera explicaciones visuales para redes neuronales convolucionales mediante la agregación de mapas de gradiente de todas las capas y su ajuste mediante Winsorización, permitiendo a los usuarios controlar el nivel de detalle semántico y logrando un rendimiento superior en localización y fidelidad frente a técnicas existentes en dominios como la salud y la visión por computadora.
El artículo propone DEFNet, una red de fusión profunda basada en evidencia para la evaluación ciega de la calidad de imágenes que mejora el rendimiento mediante la optimización multitarea, una estrategia de fusión de información confiable y una estimación avanzada de incertidumbre.
Este trabajo presenta LRR-Bench, un nuevo benchmark sintético que demuestra que, a pesar del rendimiento humano casi perfecto, los modelos de visión y lenguaje actuales aún luchan significativamente para comprender relaciones espaciales absolutas y movimientos en 3D, revelando una brecha crítica en estas capacidades.
El artículo presenta "Follow-Your-Shape", un marco sin entrenamiento ni máscaras que logra ediciones de imagen precisas y controladas de formas mediante un Mapa de Divergencia de Trayectoria y una inyección programada de KV, superando las limitaciones de los modelos existentes en transformaciones estructurales y preservando el fondo, todo ello validado por el nuevo benchmark ReShapeBench.
Este proyecto presenta una herramienta de asistencia en tiempo real que utiliza redes neuronales convolucionales entrenadas con el conjunto de datos Sign Language MNIST para traducir gestos de lenguaje de señas capturados por webcam en texto y voz sintética, facilitando así la comunicación y la integración social de personas con discapacidades auditivas y del habla.
El artículo presenta TriMM, el primer modelo generativo 3D nativo de tipo feed-forward que utiliza un código colaborativo multi-modal (RGB, RGBD y nubes de puntos) junto con supervisión auxiliar para generar activos 3D de alta calidad y gran detalle geométrico y textural, logrando un rendimiento competitivo incluso con conjuntos de datos de entrenamiento reducidos.
Este estudio presenta FLUID, un conjunto de datos de trayectorias de alta granularidad y un marco de procesamiento ligero basado en drones que captura conflictos densos y comportamientos interactivos en intersecciones urbanas señalizadas, ofreciendo recursos valiosos para la investigación en conducción autónoma y modelado de comportamiento de tráfico.
Este estudio propone un marco basado en IA que utiliza datos multimodales de redes sociales para analizar y comparar la percepción turística con la realidad física en doce barrios históricos de Shanghái, revelando brechas entre la experiencia visualizada en línea y el entorno urbano real para informar la gestión patrimonial y el diseño urbano.
MOGS es un marco de trabajo de Splatting Gaussiano 3D monocular que, en lugar de depender de costosos sensores LiDAR, utiliza semántica de imágenes y puntos métricos de estructura a partir del movimiento (SfM) para generar profundidad densa y lograr una representación eficiente y de alta calidad de grandes escenas.
Este artículo demuestra que los filtros aprendidos en redes profundas de tipo ConvNeXt pueden modelarse y aproximarse eficazmente mediante filtros de espacio de escala discretos derivados de la teoría de campos de escala, validando así la hipótesis de los "8 filtros maestros" como representaciones ideales de los receptores espaciales.
Este artículo presenta un método de calibración espacial-temporal ultra rápido y de código abierto para sistemas IMU-cámara que, al utilizar una representación de estado en tiempo discreto en lugar de continuo, elimina los altos costos computacionales de los métodos existentes sin sacrificar la precisión.