8724 artículos
El artículo presenta LMP, un detector de doble rama que logra un estado del arte en la detección de objetos con pocos ejemplos entre dominios al combinar la guía semántica de modelos visión-idioma con prototipos visuales aprendidos dinámicamente del dominio objetivo para capturar tanto la invariancia semántica como los detalles visuales específicos.
El artículo presenta HeRO, una política basada en difusión que combina geometría y semántica mediante campos jerárquicos para lograr una manipulación de objetos consciente de la pose, logrando un nuevo estado del arte en tareas desafiantes como la colocación de zapatos.
Este artículo demuestra que la Hipótesis del Boleto de Lotería se mantiene en redes neuronales bayesianas, identificando subredes dispersas que igualan o superan la precisión original mediante estrategias de poda basadas principalmente en la magnitud y secundariamente en la desviación estándar.
El artículo presenta 4DSTAR, un modelo autoregresivo que utiliza propagación dinámica de estados espaciotemporales y un VQ-VAE 4D para generar objetos 4D de alta calidad con consistencia temporal y espacial, superando las limitaciones de los métodos basados en difusión.
El artículo presenta IDperturb, una estrategia de muestreo basada en la perturbación angular de incrustaciones de identidad que mejora la diversidad intraclase en la generación de rostros sintéticos, logrando así un mejor rendimiento en sistemas de reconocimiento facial sin modificar los modelos generativos subyacentes.
El artículo presenta CLAP, un autoencoder convolucional ligero que utiliza capas de convolución separable y un mecanismo de compuerta sigmoidal para clasificar enfermedades de las plantas con alta precisión y bajo costo computacional en condiciones de campo reales.
El artículo presenta IFA-Net, un marco innovador que detecta y localiza con precisión imágenes generadas por IA modelando la "realidad" a través de un autoencoder enmascarado congelado y un proceso iterativo de dos etapas que amplifica las desviaciones en la reconstrucción de regiones manipuladas, superando significativamente a los métodos existentes en benchmarks de inpainting.
Este trabajo presenta un marco de cuantización post-entrenamiento conjunta para Vision Transformers que, mediante la optimización global sin datos etiquetados y el uso de una estrategia de generación de datos basada en Stable Diffusion Turbo guiada por prompts aprendidos, logra un rendimiento de vanguardia en configuraciones de bits extremadamente bajos para modelos como ViT, DeiT y Swin-T.
El artículo presenta TIACam, un marco de aprendizaje de características invariantes anclado en texto con auto-aumento que logra una marca de agua cero robusta frente a la recaptura mediante cámaras al integrar un aumentador automático diferenciable, alineación adversaria multimodal y una cabeza de marca de agua que vincula mensajes binarios en el espacio de características sin modificar los píxeles de la imagen.
Este artículo presenta MM2D3D, un modelo de segmentación multimodal que mejora la precisión de la segmentación 3D de LiDAR generando predicciones 2D densas y exactas mediante el uso de imágenes de cámara para guiar el filtrado y la supervisión cruzada dinámica, superando así la escasez inherente de los mapas de LiDAR proyectados.
El artículo presenta SLD-Font, un modelo de difusión que logra una disociación a nivel estructural entre contenido y estilo para la generación de fuentes chinas con pocos ejemplos, mejorando la fidelidad del estilo y la precisión del contenido mediante el uso de plantillas de estructura SimSun, mecanismos de atención cruzada con CLIP, un módulo de eliminación de ruido de fondo y una estrategia de ajuste fino eficiente en parámetros.
El artículo presenta FOCA, un marco basado en modelos de lenguaje grandes multimodales que integra características de los dominios espacial y frecuencial para mejorar la detección, localización y explicación interpretable de manipulaciones de imágenes, respaldado por el nuevo conjunto de datos FSE-Set.
Este estudio evalúa el uso de redes neuronales convolucionales supervisadas y autoencoders variacionales no supervisados para caracterizar subestructuras residuales en imágenes de galaxias del sondeo CANDELS, concluyendo que el enfoque supervisado logra distinguir eficazmente entre subestructuras de diferente intensidad, mientras que el no supervisado carece de poder discriminatorio claro.
El artículo presenta PhysConvex, un campo de radiación dinámica 3D basado en física que utiliza primitivas convexas gobernadas por mecánica de medios continuos para unificar la reconstrucción visual de alta fidelidad y la simulación física de escenas deformables, superando las limitaciones de los métodos existentes en la captura de deformaciones complejas y consistencia física.
Este trabajo identifica la naturaleza no estacionaria de las actualizaciones del codificador como la causa fundamental del colapso del código en la cuantización vectorial y propone dos nuevos métodos, NSVQ y TransVQ, que logran una utilización casi completa del código y una calidad de reconstrucción superior en modelos generativos.
El artículo presenta PrivacyBench, un marco de referencia que demuestra cómo la combinación de técnicas de privacidad en sistemas de visión híbridos puede generar fallos críticos y costos elevados, ofreciendo una plataforma sistemática para evaluar y guiar el diseño de despliegues robustos antes de su implementación.
Este artículo presenta SCHEMA, una metodología de ingeniería de prompts estructurada y validada empíricamente para el modelo nativo multimodal Google Gemini 3 Pro Image, que mediante un sistema modular de tres niveles y componentes específicos logra un control direccional superior (hasta un 95%) y altas tasas de cumplimiento en la generación de imágenes profesionales.
El artículo presenta PCA-VAE, un modelo generativo que reemplaza la cuantización vectorial tradicional con un cuello de botella de PCA diferenciable y sin código, logrando una mayor calidad de reconstrucción, una eficiencia de bits superior y latentes semánticamente interpretables sin sufrir colapso de código.
Este trabajo propone la Ajuste de Haz Marginalizado (MBA), un método que integra estimaciones de profundidad monoculares densas en la estructura a partir del movimiento para mitigar sus errores y lograr resultados competitivos en tareas de localización y reconstrucción 3D a gran escala.
DeepInterestGR es un marco de recomendación generativa que supera las limitaciones de los métodos actuales al extraer intereses profundos y multimodales mediante LLMs, etiquetarlos con recompensas y codificarlos en identificadores semánticos para optimizar un modelo de generación mediante aprendizaje por refuerzo, logrando así un rendimiento superior en benchmarks de recomendación.