1886 artículos
Este artículo presenta un modelo topológico extendido basado en haces de círculos que explica las limitaciones del modelo de toro anterior y revela que los parches de flujo óptico de alto contraste se concentran principalmente cerca de círculos correspondientes a bordes de escalón binario en lugar de en el toro, lo cual es crucial para tareas de visión por computadora como la segmentación y el seguimiento.
El artículo presenta ColonSplat, un marco de *Gaussian Splatting* dinámico que supera las limitaciones de los métodos actuales al reconstruir con precisión el movimiento peristáltico y la consistencia geométrica global en colonoscopias, respaldado por un nuevo conjunto de datos sintéticos llamado DynamicColon.
El artículo presenta IGLU, una nueva función de activación paramétrica basada en una mezcla de escalas de puertas GELU que utiliza una distribución de cola pesada (Cauchy) para garantizar gradientes no nulos y mejorar la robustez en datos desbalanceados, junto con una aproximación computacionalmente eficiente (IGLU-Approx) que logra un rendimiento competitivo o superior al de ReLU y GELU en tareas de visión y lenguaje con menor costo computacional.
Este artículo presenta un marco de aprendizaje eficiente en hardware que integra información previa ambiental con una arquitectura de transformadores duales en cascada (DTC) para predecir con alta precisión los puntos de aterrizaje de pelotas de tenis en tiempo real, superando a los métodos tradicionales en complejidad y eficiencia.
El artículo presenta PICS, un paradigma auto-supervisado que mejora la composición de imágenes mediante un Transformador de Interacción y un blending adaptativo para preservar las relaciones espaciales y la consistencia física al insertar objetos en paralelo.
Este trabajo presenta OPTED, un conjunto de datos preprocesado de código abierto para la clasificación de tracoma, construido mediante un pipeline reproducible que utiliza el modelo de segmentación cero-disparo SAM 3 para extraer automáticamente la conjuntiva tarsal de fotografías clínicas y eliminar el ruido de fondo, abordando así la escasez de datos públicos de la región más afectada.
Este trabajo propone un nuevo paradigma de aumento de datos que utiliza modelos de lenguaje grandes para generar programas de CAD condicionados a superficies de referencia y procedimientos de modelado, logrando así crear modelos con mayor diversidad geométrica y mayor similitud con diseños industriales de grado profesional.
El artículo presenta PaQ-DETR, un marco unificado que mejora la detección de objetos al generar consultas dinámicas basadas en patrones latentes compartidos y emplear una estrategia de asignación consciente de la calidad para resolver el desequilibrio en el uso de consultas y aumentar la precisión en diversos conjuntos de datos.
El artículo propone DLRMamba, un marco que combina un modelo de espacio de estado bidimensional de bajo rango y una estrategia de destilación consciente de la estructura para lograr una detección de objetos multiespectral eficiente y precisa en dispositivos de borde con recursos limitados.
Este trabajo presenta ESM-YOLO+, una red ligera de fusión visible-infrarrojo que utiliza un módulo de fusión de atención mejorada con máscaras y una representación estructural durante el entrenamiento para lograr una detección precisa de objetivos pequeños en imágenes de teledetección, superando a los modelos base con una reducción significativa de parámetros y complejidad computacional.
El artículo presenta HIERAMP, un método que mejora la destilación de conjuntos de datos mediante la amplificación de semántica jerárquica utilizando el modelo autoregresivo de visión (VAR) para guiar la síntesis de datos hacia regiones y estructuras discriminativas en diferentes niveles de escala.
Este estudio presenta una tubería analítica que utiliza segmentación 3D y aprendizaje automático para extraer características de invasión perineural y linfovascular en cáncer de próstata, demostrando que estas métricas tridimensionales superan a las bidimensionales en la predicción de la recurrencia bioquímica a 5 años.
Este estudio presenta viCT, un método que actualiza secuencialmente las tomografías computarizadas preoperatorias durante la cirugía endoscópica de senos paranasales mediante reconstrucciones 3D derivadas de video endoscópico monocular, permitiendo visualizar los límites de resección en evolución con una precisión submilimétrica sin necesidad de hardware adicional.
El artículo presenta SurgCUT3R, un marco sistemático que adapta modelos de reconstrucción 3D unificados al dominio quirúrgico mediante una tubería de generación de datos, una estrategia de supervisión híbrida y un marco de inferencia jerárquica para lograr una estimación de pose robusta y eficiente en videos endoscópicos largos.
Este trabajo presenta un marco de transporte óptimo condicional no balanceado (CUOT) y un modelo generativo (CUOTM) que mitigan la sensibilidad a los valores atípicos inherente a los métodos tradicionales mediante la relajación de las restricciones de coincidencia de distribuciones, logrando así una mayor robustez y eficiencia en tareas de modelado generativo condicional.
El artículo presenta T2SGrid, un marco innovador que mejora la localización temporal en videos reformulando la comprensión temporal como una tarea espacial mediante la organización de clips de video en una cuadrícula 2D estructurada para superar las limitaciones de los enfoques existentes.
Este artículo presenta un enfoque para la recuperación de formas basada en imágenes que utiliza codificadores prealineados de imágenes y nubes de puntos, junto con una pérdida de contraste duro multimodal, para lograr un rendimiento superior y capacidades de recuperación cero disparos sin necesidad de síntesis de vistas ni reentrenamiento específico.
Los autores proponen un marco de razonamiento multimodal perceptivo que mejora la comprensión espacial en imágenes monoculares para la conducción autónoma, representando los objetos mediante tokens de referencia visual en lugar de coordenadas textuales y utilizando un conjunto de datos de cadena de pensamiento multimodal, logrando así un rendimiento superior en el benchmark SURDS.
Este trabajo presenta ADAS-TO, el primer conjunto de datos naturalista a gran escala centrado en las transiciones de sistemas ADAS a control manual, que incluye más de 15.000 clips sincronizados de video y telemetría para caracterizar empíricamente las intervenciones humanas y demostrar que el análisis visual puede identificar señales de advertencia de seguridad críticas hasta 3 segundos antes de la toma de control.
El artículo presenta MipSLAM, un marco de SLAM basado en 3DGS que utiliza un algoritmo de anti-aliasing elíptico adaptativo y una optimización de grafos de poses sensible al espectro para lograr síntesis de vistas novedosas de alta fidelidad y estimación de poses robusta sin aliasing.