1876 artículos
El artículo presenta Graph-of-Mark (GoM), una técnica de prompting visual basada en grafos que mejora el razonamiento espacial de los modelos de lenguaje multimodales al superponer grafos de escena en las imágenes, logrando aumentos significativos en tareas de localización y preguntas visuales sin necesidad de entrenamiento adicional.
Este artículo presenta un sistema de inferencia optimizado para modelos de generación de video basados en DiT que, mediante el uso de codificación posicional 3D secuencial-paralela con un índice de tiempo global y técnicas de fusión de operadores, logra reducir significativamente la latencia y el consumo de memoria para habilitar la generación de videos en tiempo real sin comprometer la calidad.
El artículo demuestra que, en tareas médicas de visión y lenguaje, la cadena de pensamiento a menudo reduce el rendimiento al exacerbar la incertidumbre perceptiva, y propone intervenciones de anclaje visual para mejorar la precisión y la alineación multimodal.
El artículo presenta SJD-PV, un marco de aceleración sin entrenamiento que utiliza verificación especulativa a nivel de frases para agrupar tokens visuales correlacionados, logrando una decodificación hasta un 30% más rápida en modelos de generación de imágenes autoregresivos sin comprometer la calidad visual.
El artículo presenta CalibFusion, un detector de fusión radar-cámara basado en transformadores que realiza una calibración extrínseca diferenciable y refinada de extremo a extremo para mejorar la detección en entornos acuáticos, superando las limitaciones de los métodos existentes ante la falta de texturas y el ruido por ondas.
Este estudio demuestra que, a diferencia de lo observado en modelos de imágenes, la inicialización con ruido semántico no mejora significativamente la generación de video texto-a-video, ya que los resultados no superan estadísticamente a la línea base de ruido gaussiano y presentan una señal inestable.
Este artículo presenta un autoencoder CNN no supervisado con una función de pérdida de distancia angular espectral ponderada (WSAD) para realizar la desmezcla ciega de imágenes hiperespectrales de micro-FTIR en secciones transversales de pinturas al óleo históricas, mejorando la interpretación de materiales complejos como se demuestra en un análisis del Políptico de la Adoración del Cordero Místico de los hermanos Van Eyck.
AutoFigure-Edit es un sistema integral que genera ilustraciones científicas totalmente editables y adaptables a estilos específicos a partir de textos científicos extensos, combinando la comprensión de contexto largo, el guiado por imágenes de referencia y la edición nativa en SVG.
Este trabajo presenta un modelo híbrido de clasificación basado en aprendizaje con pocos ejemplos e inteligencia artificial explicable que integra redes siamesas y prototípicas con Grad-CAM para identificar con alta precisión y transparencia las etapas de enfermedades en hojas de maíz, arroz y trigo, incluso con datos anotados limitados.
Este artículo presenta PRPO, un método de optimización de políticas paralelas que resuelve conflictos en el entrenamiento de modelos visuales para el análisis profundo de gráficos, junto con MCDR-Bench, una nueva plataforma de evaluación objetiva que supera las limitaciones de las técnicas actuales al medir capacidades de razonamiento analítico avanzado.
El artículo presenta MultiGen, un enfoque que introduce una memoria externa persistente y editable en motores de juegos basados en difusión para superar las limitaciones de control del usuario y la coherencia en simulaciones multijugador interactivas.
El artículo presenta VB, un nuevo benchmark diseñado para evaluar la capacidad de los modelos de visión y lenguaje para determinar la visibilidad en imágenes y abstenerse de responder cuando la evidencia es insuficiente, demostrando que GPT-4o y Gemini 3.1 Pro lideran este razonamiento entre los modelos evaluados.
El documento presenta RADAR, un nuevo benchmark multimodal basado en imágenes 3D de tomografía computarizada abdominal que evalúa la capacidad de los modelos para analizar discrepancias clínicas y revisar ediciones en informes radiológicos dentro de un flujo de trabajo real de revisión por expertos.
El artículo presenta ECHO, un marco de colaboración multiagente que utiliza operaciones de hipergrafos y una estrategia de "enlace antes de vincular" para refinar iterativamente una representación intermedia de eventos multimedia, logrando así superar significativamente a los métodos actuales en la extracción de eventos al mitigar la propagación de errores.
Este artículo presenta un enfoque innovador de reconstrucción y segmentación 3D de pilas de áridos mediante técnicas de Estructura a partir del Movimiento (SfM) y algoritmos de segmentación aplicados a imágenes de dispositivos móviles, con el objetivo de facilitar el análisis de tamaño y forma para tareas de aseguramiento y control de calidad en el campo.
El artículo presenta TimeSpot, un nuevo benchmark que evalúa la capacidad de los modelos de visión y lenguaje para inferir atributos geográficos y temporales a partir de imágenes del mundo real, revelando que, aunque el ajuste fino mejora los resultados, los modelos actuales aún carecen de un razonamiento geo-temporal robusto y físicamente fundamentado.
El artículo presenta "Narrative Weaver", un marco innovador que integra planificación narrativa multimodal y un banco de memoria dinámico para generar contenido visual coherente y controlable a largo plazo, complementado con el lanzamiento del primer dataset de referencia para storyboards publicitarios.
Este trabajo presenta un marco de aprendizaje no supervisado que utiliza filtrado convolucional y redes neuronales para reconstruir imágenes de haces de iones con alta fidelidad y eliminar el ruido en condiciones de baja relación señal-ruido, permitiendo la detección de estructuras de halo más allá de siete desviaciones estándar sin necesidad de conjuntos de datos de entrenamiento.
Este estudio evalúa la adaptación del modelo fundacional geoespacial TerraMind a tareas de imágenes hiperespectrales mediante estrategias de selección de bandas, demostrando que, aunque el modelo puede ajustarse con una caída moderada de rendimiento, los modelos nativos de aprendizaje profundo siguen siendo superiores y subraya la necesidad de tokenización espectral nativa en futuras arquitecturas multimodales.
Este artículo presenta un marco robusto de detección de un solo disparo para volantes de bádminton en robots móviles, que incluye un nuevo conjunto de datos anotado semi-automáticamente y un modelo YOLOv8 optimizado para funcionar eficazmente en entornos dinámicos y egocéntricos.