8941 artículos
Este artículo presenta DABench, un marco de referencia objetivo y basado en datos reales diseñado para evaluar y comparar métodos de asimilación de datos impulsados por inteligencia artificial, demostrando que estos enfoques logran un rendimiento competitivo con los sistemas de vanguardia en la generación de condiciones iniciales y en la predicción meteorológica global de mediano plazo.
El artículo presenta Story-Iter, un paradigma iterativo sin entrenamiento que mejora la visualización de historias largas mediante un módulo de atención cruzada global (GRCA) que refina progresivamente las imágenes incorporando todo el contexto visual previo, logrando así una consistencia semántica superior y una interacción detallada en secuencias de hasta 100 cuadros.
Este trabajo propone una modificación de una sola línea en cualquier optimizador basado en momento, denominada "cautious optimizer", que mejora teórica y empíricamente la estabilidad y velocidad de entrenamiento en tareas como el preentrenamiento de LLMs y la clasificación de imágenes sin requerir ajustes adicionales de hiperparámetros.
El artículo presenta LVLM-COUNT, un método basado en un enfoque de dividir y conquistar que mejora la capacidad de los modelos de lenguaje-visión grandes para contar grandes cantidades de objetos evitando la repetición al dividir las tareas.
Este estudio demuestra que los modelos fundacionales de visión, especialmente los basados en Vision Transformers, son adecuados para la predicción conforme y que su adaptación few-shot mejora los resultados, mientras que la calibración de confianza puede degradar la eficiencia de los conjuntos conformales adaptativos.
StrandHead es un método novedoso impulsado por texto que genera avatares 3D de cabeza con cabello desentrelazado a nivel de hebras mediante la destilación de modelos generativos 2D y el uso de priores centrados en humanos, superando las limitaciones de datos y representaciones entrelazadas de métodos anteriores.
El artículo presenta TRecViT, un modelo de video causal basado en transformadores recurrentes que, mediante una factorización espacio-tiempo-canal, logra un rendimiento superior o comparable a modelos no causales como ViViT con una eficiencia significativamente mayor en parámetros, memoria y FLOPs, estableciendo nuevos récords en tareas de video a gran escala.
Este artículo propone el método de Mapeo Cruzado (CMM), que alinea globalmente las características visuales y textuales mediante transformación lineal y optimiza sus relaciones espaciales locales para mitigar la brecha de modalidad y mejorar significativamente la clasificación de imágenes con pocos ejemplos.
Este trabajo presenta CV-DD, un método de destilación de conjuntos de datos que utiliza el voto de comités de múltiples modelos para generar datos sintéticos de mayor calidad, reduciendo el sesgo específico y mejorando la generalización en comparación con las técnicas existentes.
Este artículo presenta ATRNet-STAR, un nuevo conjunto de datos a gran escala con más de 190.000 muestras de 40 categorías de vehículos y un benchmark exhaustivo que busca superar las limitaciones de los datos actuales y acelerar el avance del reconocimiento automático de objetivos en imágenes SAR.
El artículo presenta STGN-IT, una red de grafos espaciotemporales que supera la limitación de los algoritmos actuales al permitir la predicción de trayectorias futuras de peatones incluso cuando sus datos históricos son incompletos, integrando estados de observación y obstáculos estáticos para mejorar la precisión en entornos de navegación robótica.
El artículo presenta V2V-LLM, un enfoque innovador que integra Modelos de Lenguaje Multimodales en la conducción autónoma cooperativa mediante el nuevo conjunto de datos y benchmark V2V-QA para fusionar percepciones de múltiples vehículos y mejorar la planificación y seguridad mediante la respuesta a preguntas de conducción.
Esta encuesta presenta un marco unificado pionero que integra la generación multimodal de 2D, video, 3D y 4D para simular el mundo real, ofreciendo una revisión exhaustiva de conjuntos de datos, métricas de evaluación y direcciones futuras para guiar la investigación en Inteligencia Artificial General.
El artículo presenta MeCo, un marco de localización temporal de video sin marcas de tiempo que aprovecha el entendimiento semántico de los LLMs de video mediante tareas generativas y discriminativas para superar las limitaciones de los métodos basados en la generación de timestamps.
El artículo presenta AudioX, un marco unificado para la generación de audio a partir de múltiples modalidades (texto, video y audio) que integra un módulo de fusión adaptativa y se entrena con un nuevo conjunto de datos de gran escala llamado IF-caps, logrando un rendimiento superior en tareas de generación de audio y música.
Los autores presentan Car-1000, un nuevo conjunto de datos a gran escala con 1000 modelos de 166 fabricantes que supera las limitaciones del conjunto Stanford-Car para abordar la creciente complejidad de la categorización visual de vehículos en la industria automotriz moderna.
Esta encuesta presenta una visión integral de la literatura sobre la generación de movimientos de interacción humana, revisando sistemáticamente soluciones y conjuntos de datos para interacciones entre personas, objetos y entornos, junto con métricas de evaluación y futuras direcciones de investigación.
El artículo presenta S2R-HDR, un gran conjunto de datos sintéticos de alta calidad generado con Unreal Engine 5 para la fusión HDR, junto con S2R-Adapter, una técnica de adaptación de dominio que mejora la generalización de los modelos en escenarios reales.
El modelo RainPro-8 es una arquitectura de aprendizaje profundo eficiente que integra datos de radar, satélite y predicción numérica del tiempo para generar pronósticos probabilísticos de alta resolución de precipitaciones en Europa con un horizonte de 8 horas, superando a los sistemas operativos actuales en precisión y eficiencia computacional.
El artículo presenta GaussianFormer3D, un marco de predicción de ocupación semántica 3D basado en Gaussianas que fusiona LiDAR y cámaras mediante atención deformable 3D, logrando un rendimiento de vanguardia con menor consumo de memoria y mayor eficiencia.