8753 artículos
El artículo presenta US-JEPA, un marco de aprendizaje auto-supervisado que utiliza un objetivo de entrenamiento asimétrico con un profesor estático para superar los desafíos del ruido en imágenes de ultrasonido, logrando representaciones robustas que igualan o superan a los modelos de visión existentes en diversas tareas de clasificación.
El artículo presenta DefenseSplat, un método que mejora la robustez de la representación 3D Gaussian Splatting frente a ataques adversarios mediante una estrategia de filtrado sensible a frecuencias que elimina el ruido de alta frecuencia preservando el contenido de baja frecuencia, logrando así una reconstrucción segura sin comprometer el rendimiento en datos limpios.
El estudio presenta RetinaVision, un marco de aprendizaje profundo basado en redes Xception e InceptionV3 que, mediante técnicas de aumento de datos e interpretabilidad (GradCAM y LIME), logra una clasificación precisa de enfermedades retinianas en imágenes OCT con una precisión del 95,25% y se implementa en una aplicación web para uso clínico.
MultiDiffSense es un modelo de difusión unificado que genera imágenes visuo-táctiles alineadas y físicamente consistentes para múltiples sensores, superando a los métodos existentes en calidad y permitiendo reducir a la mitad la necesidad de datos reales para tareas de estimación de poses en robótica.
El artículo presenta UP-Fuse, un marco de fusión LiDAR-cámara guiado por incertidumbre en vista de rango que logra una segmentación panóptica 3D robusta y fiable incluso ante degradación, descalibración o fallo del sensor de la cámara.
PoseCraft es un marco de difusión que sintetiza imágenes humanas fotorrealistas mediante la inyección de hitos 3D tokenizados y parámetros de cámara como condiciones discretas, superando las limitaciones de los flujos de trabajo existentes al preservar la semántica 3D y los detalles finos sin necesidad de rigging manual o reoptimización por pose.
El artículo presenta MentalBlackboard, un nuevo benchmark para evaluar la capacidad de visualización espacial de los modelos de visión-idioma en tareas de plegado de papel y perforación, revelando que, aunque algunos modelos logran un rendimiento moderado en tareas de generalización, siguen teniendo dificultades significativas para aplicar transformaciones simétricas y realizar planificación espacial compleja.
Este trabajo introduce la tarea de Descomposición de Capas de Referencia (RLD) y el conjunto de datos RefLade para permitir la generación y edición de imágenes mediante capas RGBA controladas por prompts, junto con un modelo base llamado RefLayer que demuestra alta fidelidad visual y generalización cero-shot.
Este estudio examina la Hipótesis de la Representación Platónica en un entorno trimodal, revelando que, aunque el alineamiento en espacios de representación contrastiva mejora con el tamaño del modelo, es asimétrico (con la serie temporal alineándose más con la visión que con el lenguaje) y presenta un umbral de saturación respecto a la densidad de la información.
Este artículo presenta un marco de computación en tiempo de prueba que optimiza la política de los Modelos Visión-Lenguaje para la manipulación robótica mediante una reflexión multi-trayectoria guiada por valor, logrando una mejora del 24,6% en la tasa de éxito y una reducción del 56,5% en el tiempo de inferencia frente a los métodos existentes.
Este artículo presenta el "Stair Pooling", una estrategia de muestreo descendente que reduce la pérdida de información mediante operaciones de agrupamiento concatenadas y escalonadas, logrando mejorar significativamente la precisión de la segmentación de imágenes biomédicas en arquitecturas U-Net al preservar mejor los detalles espaciales y la información de largo alcance.
El artículo presenta PA-Attack, un método de ataque de caja gris para modelos visuales-lingüísticos de gran escala que utiliza guías de prototipos y un mecanismo de mejora de atención en dos etapas para lograr una alta eficiencia, generalización de tareas y una reducción significativa del rendimiento del modelo.
Este artículo presenta CountEx, un marco de conteo visual discriminativo que supera las limitaciones de los métodos existentes al permitir la especificación de inclusiones y exclusiones mediante prompts multimodales, utilizando un módulo de refinamiento de consultas para suprimir distractores visualmente similares y logrando un rendimiento superior en el nuevo benchmark CoCount.
El artículo presenta FinSight-Net, un marco de detección eficiente y consciente de la física que utiliza un procesamiento desacoplado de doble flujo y una agregación de rutas optimizada para compensar la degradación óptica en entornos acuáticos, logrando un rendimiento superior y una menor complejidad computacional en la detección de peces para la acuicultura inteligente.
El artículo presenta CRAFT, un método ligero que desacopla la adaptación visual de los modelos de visión y lenguaje mediante un código discreto, logrando mejoras significativas en tareas específicas de dominio sin alterar el modelo de lenguaje subyacente.
El artículo propone HD-TTA, un marco de adaptación en tiempo de prueba basado en hipótesis que mejora la seguridad en la segmentación de tumores cerebrales mediante la selección autónoma de la mejor hipótesis geométrica (compresión o inflación) y un mecanismo de filtrado, logrando una reducción significativa en la distancia de Hausdorff y una mayor precisión en dominios no vistos sin comprometer la puntuación Dice.
Este artículo presenta LapFlow, un marco novedoso de flujo de coincidencia multiescala que utiliza una arquitectura de mezcla de transformadores con atención causal para generar representaciones de imágenes en paralelo, logrando una calidad superior, una inferencia más rápida y una menor carga computacional en comparación con los métodos existentes.
Este artículo presenta un marco de aprendizaje profundo informado por la física que combina pistas de polarización e iluminación estructurada en un solo disparo para lograr una estimación robusta y precisa de las normales de superficies especulares complejas, superando las limitaciones de los métodos existentes en entornos dinámicos.
Este artículo presenta un método novedoso de adaptación de dominio libre de fuente para el análisis de imágenes del fondo de ojo que, mediante un modelo visión-lenguaje, resuelve problemas de olvido de predicciones y falta de conciencia de lesiones para superar a los métodos actuales.
Este trabajo presenta MICON-Bench, un benchmark integral para evaluar la generación de imágenes con contexto múltiple en modelos multimodales unificados, junto con un marco de evaluación automatizado y un mecanismo de reequilibrio de atención dinámico (DAR) que mejora la coherencia y reduce las alucinaciones sin necesidad de entrenamiento.