8743 artículos
El artículo presenta Flash-VAED, un marco de aceleración universal para decodificadores VAE que combina poda de canales, optimización de operadores y destilación dinámica para lograr una velocidad de generación de video hasta 6 veces mayor con una pérdida de calidad mínima.
El artículo presenta JavisDiT++, un marco unificado que mejora la generación conjunta de audio y video mediante un diseño MoE específico por modalidad, una estrategia de sincronización temporal (TA-RoPE) y optimización de preferencias directas (AV-DPO), logrando un rendimiento superior al estado del arte con un conjunto de entrenamiento reducido.
El artículo presenta BriMA, un enfoque innovador para la evaluación continua de la calidad de las acciones multimodal que aborda el desequilibrio de modalidades mediante un módulo de imputación guiado por memoria y un mecanismo de repetición consciente de la modalidad, logrando mejoras significativas en el rendimiento bajo condiciones de datos incompletos.
El artículo presenta EMAD, un marco de visión-linguaje que genera informes diagnósticos de la enfermedad de Alzheimer explicables y clínicamente coherentes al vincular cada afirmación con evidencia multimodal específica y estructuras anatómicas en resonancias magnéticas 3D, utilizando técnicas de destilación y ajuste fino por refuerzo para garantizar la transparencia y la precisión.
Este artículo presenta un marco de alineación de preferencias grupales para modelos de recuperación de mallas humanas basados en difusión, que utiliza un agente crítico con memoria dual y autorreflexión para generar puntuaciones de calidad que guían al modelo hacia predicciones tridimensionales más físicamente plausibles y consistentes con la imagen.
El artículo presenta PositionOCR, una arquitectura híbrida eficiente en parámetros que integra las capacidades de localización posicional de modelos especializados en detección de texto con el razonamiento contextual de los modelos de lenguaje grandes para superar las limitaciones de los modelos multimodales actuales en tareas de reconocimiento y anclaje de texto.
El artículo presenta ManiPT, un marco que mejora el ajuste de prompts en modelos CLIP bajo supervisión limitada mediante restricciones de consistencia cosenual y un sesgo estructural que mantienen las representaciones en la variedad preentrenada, mitigando así el sobreajuste y mejorando la generalización en diversas tareas.
El artículo presenta UniE2F, un marco unificado que aprovecha los modelos de difusión de video preentrenados para reconstruir cuadros de video de alta fidelidad a partir de datos de cámaras de eventos, superando la pérdida de información espacial mediante una guía de residuos intercuadro basada en eventos y habilitando tareas de interpolación y predicción en ceros disparos.
El artículo presenta SegMoTE, un marco eficiente y adaptable basado en SAM que utiliza una mezcla de expertos a nivel de token y un mecanismo de tokenización progresiva para lograr un rendimiento superior en la segmentación de imágenes médicas con una fracción mínima de datos de anotación, resolviendo así los desafíos de generalización y transferencia negativa en escenarios clínicos diversos.
Este artículo presenta KRSVQG, un modelo que integra conocimiento externo y descripción de imágenes para generar preguntas visualmente fundamentadas y diversas sobre imágenes de teledetección, superando las limitaciones de los métodos actuales basados en plantillas.
Este trabajo presenta un método de manipulación facial en el espacio latente semántico que, mediante proyección ortogonal y condicionamiento dependiente, genera datos sintéticos de alta calidad para equilibrar y diversificar conjuntos de datos de análisis de unidades de acción, mejorando significativamente la precisión y la desvinculación de los detectores de expresiones sin introducir artefactos ni perder la identidad.
Este artículo presenta KRSVQG, un modelo de generación de preguntas visuales para imágenes de teledetección que integra conocimiento externo y representaciones intermedias de subtítulos para superar las limitaciones de los métodos existentes y generar preguntas más ricas y contextualizadas.
El artículo presenta RegionRoute, un marco de difusión asistido por atención que logra una transferencia de estilo regional precisa y sin máscaras alineando las puntuaciones de atención con objetos específicos durante el entrenamiento, superando así las limitaciones de localización y generalización de los métodos existentes.
Este trabajo presenta CORVET, un motor de procesamiento vectorial eficiente en recursos para IA en el borde que utiliza unidades MAC basadas en CORDIC de precisión mixta y reconfigurables en tiempo de ejecución para lograr un alto rendimiento y eficiencia energética en aplicaciones de IAoT.
El artículo presenta DD-CAM, un marco sin gradientes que adapta la depuración delta para identificar subconjuntos mínimos y suficientes de unidades de representación en modelos de visión, generando mapas de saliencia más fieles y precisos que los enfoques basados en CAM existentes.
Este trabajo presenta un marco de dos etapas que combina detección, seguimiento y clasificación para lograr una inspección de calidad de manzanas estable y temporalmente consistente en entornos industriales de cintas transportadoras densas.
Este trabajo presenta MRI CEKWorld, un modelo de mundo que utiliza aprendizaje de consistencia espaciotemporal para superar las limitaciones de la adquisición de resonancia magnética con bajo rendimiento temporal, generando dinámicas de contraste continuas y realistas mediante alineación latente y aprendizaje de diferencias para preservar la estructura anatómica y la suavidad temporal.
WildOS es un sistema unificado que combina la exploración geométrica segura con el razonamiento semántico basado en modelos de visión fundacional y un método de localización por filtro de partículas, permitiendo a los robots navegar de forma autónoma y eficiente en entornos exteriores complejos para buscar objetos de vocabulario abierto sin mapas previos.
El artículo presenta IPv2, una estrategia mejorada de purificación de imágenes que introduce módulos para eliminar el ruido en el fondo y el parénquima pulmonar, superando las limitaciones de la versión anterior y logrando una restauración superior en tomografías computarizadas de tórax de ultra baja dosis.
El artículo presenta USR 2.0, un método que utiliza un forzamiento de maestro impulsado por CTC y muestreo mixto para reducir a la mitad el tiempo de entrenamiento y mejorar la robustez en el reconocimiento unificado de habla, superando así a los enfoques anteriores en diversas pruebas.