8773 artículos
Este artículo presenta la primera evaluación sistemática de modelos de lenguaje y visión-langaje para verificar y corregir principios de visualización de datos, revelando que, aunque son prometedores como validadores flexibles, presentan una asimetría donde son más eficaces corrigiendo errores que detectándolos, y aún muestran una brecha frente a los solucionadores simbólicos en aspectos perceptivos sutiles.
Este artículo sintetiza cómo el aprendizaje no supervisado y auto-supervisado está superando la dependencia de la anotación experta en biomedicina, permitiendo el descubrimiento de nuevos fenotipos y la detección de anomalías en grandes conjuntos de datos biológicos con un rendimiento que rivaliza o supera a los métodos supervisados tradicionales.
Este trabajo presenta el primer benchmark integral para evaluar algoritmos de olvido machine en Vision Transformers, comparando su rendimiento frente a CNNs y estableciendo una línea base reproducible que analiza el impacto de la memorización de datos en diferentes arquitecturas y protocolos de olvido.
El artículo presenta NovaPlan, un marco jerárquico que combina la planificación de lenguaje visual en bucle cerrado con la ejecución robótica geométricamente fundamentada para lograr la manipulación de largo alcance sin necesidad de demostraciones previas ni entrenamiento, permitiendo la recuperación autónoma de errores mediante la generación y análisis de videos.
Este estudio presenta la primera evaluación sistemática de modelos de lenguaje grandes (LLM) como validadores flexibles de reglas de visualización de datos, demostrando que, aunque logran alta adherencia y detectan eficazmente violaciones comunes, su rendimiento disminuye significativamente en reglas perceptuales sutiles y frente a formulaciones técnicas simbólicas en comparación con los solucionadores tradicionales.
Este artículo propone un método unificado basado en optimización que, aprovechando un modelo de contacto diferenciable y un solucionador eficiente, estima simultáneamente las formas y poses de múltiples objetos rígidos en entornos desordenados para generar escenas listas para simulación.
Flow3r es un marco de aprendizaje de geometría visual escalable que utiliza predicción de flujo factorizada a partir de videos monoculares no etiquetados para lograr resultados de vanguardia en la reconstrucción de escenas estáticas y dinámicas, superando la dependencia de costosas anotaciones de geometría y pose.
Este trabajo propone una arquitectura de aprendizaje de incrustaciones de píxeles para la segmentación de instancias que incorpora un módulo de regresión de distancia para generar semillas de agrupamiento y mejorar significativamente la precisión, logrando el mejor resultado en el desafío de segmentación de hojas CVPPP.
Este trabajo presenta un enfoque basado en detección de objetos utilizando la red neuronal Cascade R-CNN para localizar y anonimizar regiones de escritura manuscrita en documentos, logrando un procesamiento en tiempo real con alta generalización entre idiomas como el inglés y el chino.
Este trabajo propone un enfoque novedoso para la localización de la fóvea en imágenes de fondo de ojo, tratando el problema como una tarea de clasificación mediante una función de pérdida de entropía cruzada softmax multiescala que supera el rendimiento de los métodos tradicionales de regresión.
Los autores proponen el Modelo de Distribución de Equilibrio (EDM), un método que selecciona automáticamente colores con óptimo contraste perceptual en el espacio CIELAB para visualizaciones científicas, superando a los esquemas armónicos tradicionales al permitir distinguir hasta 100 características únicas.
Este trabajo propone un marco de aprendizaje profundo basado en redes neuronales que optimiza la estimulación de implantes retinianos simulados mediante un codificador U-Net entrenado, logrando una mejora significativa del 36,17% en la puntuación F1 ponderada en comparación con métodos de submuestreo trivial.
Este estudio presenta HaDR, un enfoque que utiliza la aleatorización de dominios para generar un conjunto de datos sintético multimodal (RGB-D) que permite entrenar modelos de segmentación de instancias de manos robustos y agnósticos al color en entornos industriales desordenados, superando en precisión a los modelos entrenados con conjuntos de datos reales existentes.
Este artículo presenta un método que utiliza modelos de difusión probabilística para generar imágenes sintéticas de OCT retiniano a partir de bocetos, demostrando que estas imágenes pueden mejorar la segmentación de capas y reducir la dependencia de anotaciones manuales.
Este estudio propone un marco de simulación de prótesis retinal impulsado por fijaciones visuales que, mediante un codificador entrenable y optimización de extremo a extremo, logra una precisión de clasificación del 87,72% al generar percepciones visuales más semánticamente comprensibles, superando significativamente a los métodos de muestreo tradicional.
El marco GIFT propone un enfoque post-hoc que genera explicaciones textuales globales, interpretables y fieles para clasificadores visuales, combinando la creación de contrafactuales visuales, su traducción a lenguaje natural mediante modelos visión-idioma y una verificación causal rigurosa para revelar las reglas de decisión y sesgos latentes de los modelos.
El trabajo presenta SAMa, un método optimizado que permite la selección y segmentación automática de materiales en objetos 3D arbitrarios mediante la proyección de predicciones 2D de un modelo basado en video a una nube de puntos intermedia, logrando consistencia multivista y resultados precisos en segundos sin necesidad de optimización por activo.
Este trabajo demuestra que los modelos fundamentales de aprendizaje científico (SciML) pueden reducir significativamente los requisitos de datos y mejorar la generalización en la inferencia de campos de fluidos neuronales 3D en el mundo real mediante una estrategia de entrenamiento colaborativo que aprovecha representaciones y marcos aumentados extraídos de simulaciones de ecuaciones diferenciales parciales.
Este trabajo demuestra que reducir progresivamente el tamaño de los parches en modelos de visión hasta llegar a la tokenización a nivel de píxel (1x1) mejora consistentemente el rendimiento en diversas tareas y arquitecturas, permitiendo escalar secuencias visuales a más de 50.000 tokens sin necesidad de cabezales de decodificación específicos para tareas densas.
Este artículo examina las limitaciones de la Distancia Fréchet Inception (FID) como métrica de evaluación para la síntesis de imágenes retinianas, demostrando que no se alinea con los objetivos de tareas específicas como la clasificación y la segmentación, y aboga por evaluar los modelos generativos mediante su integración en el entrenamiento de tareas posteriores.