8803 artículos
El artículo presenta AA-YOLO, un enfoque frugal y robusto que integra una prueba estadística de detección de anomalías en el cabezal de detección de YOLO para mejorar la identificación de objetivos pequeños en imágenes infrarrojas, reduciendo las falsas alarmas y manteniendo un alto rendimiento incluso con datos limitados o en modelos ligeros.
El artículo presenta LayerSync, un método autocongruente y sin sobrecarga que mejora la calidad de generación y la eficiencia del entrenamiento de modelos de difusión al regularizar sus representaciones intermedias más débiles mediante las más semánticamente ricas, logrando aceleraciones significativas sin requerir modelos preentrenados ni datos adicionales.
El artículo presenta pi-Flow, un modelo de flujo basado en políticas que mediante una nueva técnica de distilación por imitación logra una generación rápida en pocos pasos sin sacrificar la calidad ni la diversidad, superando a los métodos anteriores en métricas clave como FID.
Este estudio analiza cuantitativamente la latencia de inferencia de transformadores de visión en dispositivos móviles mediante la comparación con redes neuronales convolucionales, generando un dataset predictivo que permite estimar con precisión el rendimiento de arquitecturas ViT en diversas plataformas.
Este trabajo propone un método eficaz para la segmentación de arterias y venas retinianas en hologramas Doppler que, al integrar características de la señal cardíaca en arquitecturas estándar como U-Net, logra un rendimiento comparable a modelos complejos y desbloquea el potencial del aprendizaje profundo para el análisis cuantitativo de la hemodinámica retiniana.
El artículo presenta INQUIRE-Search, un sistema de código abierto que utiliza lenguaje natural para permitir a los científicos buscar, verificar y analizar fenómenos ecológicos complejos en grandes bases de datos de imágenes de biodiversidad como iNaturalist, logrando una eficiencia de descubrimiento significativamente superior a la inspección manual y estableciendo un nuevo paradigma para la investigación científica escalable.
El artículo presenta SlotSPE, un marco basado en "slots" que comprime datos multimodales de cáncer en eventos pronósticos estructurales discretos para mejorar la precisión y la interpretabilidad de la predicción de supervivencia mediante la modelización eficiente de interacciones intra e intermodales.
Este trabajo presenta un marco general de segmentación semántica jerárquica y restrictiva que integra explícitamente la anatomía dental mediante predicción recurrente y condicionamiento de características, logrando una detección más precisa y clínicamente coherente de las capas de los dientes en radiografías panorámicas, especialmente en escenarios con datos limitados.
El artículo presenta CODA, un marco de aprendizaje centrado en objetos que mejora la detección y generación de imágenes al combinar slots de registro para reducir la interferencia y una pérdida de alineación contrastiva para fortalecer la correspondencia entre los objetos y la imagen.
RefVFX es un marco de transferencia de efectos visuales libre de ajuste que utiliza un nuevo conjunto de datos automatizado y un modelo condicionado por referencia para aplicar efectos temporales complejos de un video de referencia a un video o imagen objetivo con coherencia visual y temporal superior a los métodos basados únicamente en texto.
El artículo presenta MDAFNet, una red de detección de objetivos pequeños en infrarrojos que integra módulos de borde diferencial multiescala y mejora adaptativa de características en doble dominio para superar la degradación de bordes y la interferencia de ruido en métodos existentes.
AtlasPatch es un marco de código abierto y altamente eficiente que combina la detección de tejidos basada en modelos fundacionales con la extracción de parches de alto rendimiento para superar los cuellos de botella en el preprocesamiento de imágenes de diapositivas completas en patología computacional a gran escala.
El artículo presenta Di3PO, un nuevo método que mejora la eficiencia del ajuste de preferencia en modelos de difusión de texto a imagen mediante la generación de pares de imágenes positivos y negativos que aíslan regiones específicas para su mejora mientras mantienen estable el contexto circundante, demostrando resultados superiores en la tarea de renderizado de texto.
El artículo presenta ForgeryEraser, un marco de ataque anti-forense universal que explota la dependencia compartida de los modelos visión-idioma en los detectores de contenido generado por IA para eliminar las huellas de falsificación mediante una guía multimodal que alinea las imágenes falsificadas con anclajes de texto auténticos.
VFace es un método plug-and-play sin entrenamiento que mejora el intercambio de rostros en videos basado en modelos de difusión mediante técnicas de atención de interpolación de espectro de frecuencias, guía de estructura objetivo y suavizado temporal guiado por flujo para lograr una alta fidelidad visual y coherencia espacio-temporal.
El artículo presenta MolmoSpaces, un ecosistema abierto y a gran escala que ofrece más de 230.000 entornos diversos y activos de objetos anotados para el entrenamiento y la evaluación de políticas de robots en tareas de navegación y manipulación, demostrando una fuerte correlación entre simulación y realidad.
El artículo presenta MTL-VQA, un marco de aprendizaje multitarea que utiliza métricas de referencia completa como señales de supervisión para preentrenar representaciones perceptuales efectivas para la evaluación de calidad de video en juegos sin referencia, logrando un rendimiento competitivo incluso con datos limitados.
Este trabajo propone la destilación de priores de movimiento (MPD), una técnica de inferencia que mejora la coherencia temporal en la generación de fotogramas intermedios al transferir el residual de movimiento de la trayectoria hacia adelante a la hacia atrás, evitando así las discontinuidades y artefactos visuales causados por la desalineación en los modelos de difusión de imagen a video.
El artículo presenta VisPhyWorld, un marco de evaluación basado en la ejecución de código que, a través del benchmark VisPhyBench, revela que aunque los modelos de lenguaje multimodales actuales comprenden bien la semántica de las escenas, tienen dificultades para inferir parámetros físicos y simular dinámicas consistentes.
El artículo presenta CT-Bench, un nuevo conjunto de datos y evaluación de referencia pionero que aborda la escasez de anotaciones a nivel de lesión en tomografía computarizada mediante un extenso conjunto de imágenes con metadatos y un banco de preguntas y respuestas visuales, demostrando que el ajuste fino de modelos multimodales en estos datos mejora significativamente el análisis de lesiones en comparación con las evaluaciones de radiólogos.