8732 artículos
El artículo presenta DACo, un marco de agentes duales que desacopla la planificación estratégica global de la ejecución local mediante un "Comandante Global" y un "Operativo Local", logrando mejoras significativas en la navegación guiada por visión y lenguaje en entornos complejos y de largo alcance.
Este artículo presenta un marco de detección mejorado con profundidad que combina YOLOv8 y SAM2, junto con un pipeline de corrección geométrica de datos RGB-D, para identificar de manera fiable la insuficiencia de balasto en vías férreas, logrando un aumento significativo en la sensibilidad (de 0,49 a 0,80) y la puntuación F1 (superior a 0,80) en comparación con los modelos basados únicamente en RGB.
Este artículo presenta CASO-PAD, un modelo ligero y de un solo fotograma que utiliza operadores espaciales adaptativos al contenido (involution) sobre MobileNetV3 para detectar ataques de presentación facial con alta precisión y sin necesidad de sensores auxiliares o secuencias temporales.
El artículo presenta Frame2Freq, una familia de adaptadores sensibles a la frecuencia que utilizan la Transformada Rápida de Fourier para capturar dinámicas temporales multiescala en modelos de visión preentrenados, logrando un rendimiento superior en tareas de reconocimiento de acciones finas en comparación con métodos anteriores.
Este trabajo presenta Life-Bench, un nuevo benchmark multimodal basado en huellas digitales simuladas, y propone LifeGraph, un marco basado en gráficos de conocimiento, para abordar las limitaciones actuales en la personalización avanzada mediante modelos de lenguaje visuales.
El artículo presenta MoBind, un marco de aprendizaje contrastivo jerárquico que alinea finamente señales IMU con secuencias de pose 2D mediante el filtrado de fondos irrelevantes y la descomposición del movimiento corporal, logrando un rendimiento superior en tareas de recuperación cruzada, sincronización temporal, localización y reconocimiento de acciones.
Este estudio presenta GUIDE-US, un método de destilación de conocimiento no emparejado que permite a un modelo de micro-ultrasonido inferir la agresividad del cáncer de próstata emulando la representación de modelos de histopatología, mejorando así la detección de cáncer clínicamente significativo sin necesidad de biopsias ni emparejamiento de imágenes.
TokenTrace es un marco de marca de agua proactivo que permite la atribución robusta de múltiples conceptos en imágenes generadas por IA mediante la perturbación simultánea de las incrustaciones de texto y el ruido latente inicial, logrando así recuperar y verificar individualmente conceptos específicos como objetos y estilos sin comprometer la calidad visual.
Este artículo presenta FishProtoNet, un marco de visión por computadora no invasivo e interpretable basado en modelos fundacionales que logra una identificación precisa del sexo del pez delta (Hypomesus transpacificus) en sus etapas de desove, aunque enfrenta desafíos en la etapa subadulta debido a las menores diferencias morfológicas.
Este artículo propone un marco de calibración para el ajuste de prompts en modelos de visión-idioma que, mediante regularizadores de margen y coincidencia de momentos, mejora la fiabilidad predictiva y la incertidumbre sin comprometer la geometría del espacio de incrustaciones preentrenado ni la generalización.
Este artículo demuestra que el colapso de modelos generativos provocado por bucles de retroalimentación iterativa con datos sintéticos puede entenderse como una "resonancia neuronal" que surge de la ergodicidad y la contracción direccional en el espacio latente, lo que permite clasificar estos comportamientos degenerados mediante un marco teórico basado en cadenas de Markov.
OpenVO es un marco innovador para la odometría visual en entornos abiertos que, al integrar dinámicas temporales y priores geométricos 3D, estima con precisión el movimiento ego en condiciones de cámaras no calibradas y frecuencias de observación variables, superando significativamente a los métodos actuales en benchmarks de conducción autónoma.
Este trabajo presenta un nuevo paradigma para modelos 3D multimodales grandes conscientes de la dirección que introduce PoseRecover, un pipeline automático para recuperar poses egocéntricas, y PoseAlign, que alinea los datos de nubes de puntos con dichas poses, logrando mejoras significativas en tareas de razonamiento espacial sin necesidad de arquitecturas complejas.
L3DR es un marco de difusión y rectificación de LiDAR consciente de la 3D que corrige artefactos de vista de rango y restaura la geometría local con alta fidelidad mediante una red de regresión residual y una pérdida de Welsch, logrando un rendimiento superior en múltiples conjuntos de datos.
Este trabajo propone un marco de reconocimiento de caracteres Kuzushiji guiado por restauración (RG-KCR) que aborda el desafío de la interferencia de sellos mediante un proceso de tres etapas, logrando mejoras significativas en la precisión de detección y clasificación en comparación con los métodos existentes.
El artículo presenta Ani3DHuman, un marco que combina animación basada en cinemática con priores de difusión de video y un nuevo método de muestreo estocástico auto-guiado para generar animaciones humanas 3D fotorrealistas que superan las limitaciones de calidad y pérdida de identidad de los métodos existentes.
El artículo presenta CREM, un marco unificado que mejora el rendimiento de recuperación multimodal mediante un diseño de prompts basado en compresión y una estrategia de entrenamiento que integra objetivos generativos y contrastivos, logrando así un estado del arte en tareas de recuperación sin sacrificar la capacidad de generación del modelo.
Este artículo presenta las "Mapping Networks", un enfoque que reduce drásticamente la cantidad de parámetros entrenables y el sobreajuste al mapear el espacio de pesos de alta dimensión a un vector latente compacto, logrando un rendimiento comparable o superior en diversas tareas de visión y secuencia.
El artículo presenta CaReFlow, un método que utiliza un flujo rectificado cíclico adaptativo para reducir la brecha modal mediante una estrategia de mapeo uno-a-muchos y alineación relajada, logrando una fusión multimodal más robusta y precisa en tareas de computación afectiva.
Este estudio presenta un enfoque basado en transformadores (RT-DETR) para la detección en tiempo real de dermatofitosis en microscopía KOH, que logra una precisión superior al distinguir estructuras fúngicas de artefactos y alcanzar una sensibilidad del 100% en el diagnóstico.