8986 artículos
Este artículo presenta 3DRot, una técnica de aumento de datos plug-and-play que realiza rotaciones y reflexiones geométricamente consistentes en imágenes RGB sin requerir profundidad de la escena, mejorando significativamente el rendimiento en tareas de percepción 3D como la detección y estimación de profundidad.
Este estudio demuestra que la selección óptima de bandas espectrales en imágenes hiperespectrales mejora significativamente la segmentación de peatones y motociclistas en escenarios urbanos en comparación con las imágenes RGB, ofreciendo una solución más segura para los sistemas de percepción automotriz.
El artículo presenta GelSLAM, un sistema de SLAM 3D en tiempo real que utiliza exclusivamente sensores táctiles para estimar con alta precisión la pose y reconstruir la forma de objetos durante la manipulación, superando las limitaciones de los métodos visuales al ofrecer una percepción espacial global y robusta incluso en objetos de baja textura.
El marco CellINR utiliza representaciones neuronales implícitas para eliminar eficazmente los artefactos inducidos por la luz y restaurar la continuidad estructural en la microscopía de fluorescencia en vivo 4D, ofreciendo además un nuevo conjunto de datos emparejado para la evaluación de este tipo de reconstrucciones.
Este trabajo presenta un marco novedoso basado en modelos de difusión multimodal guiados por CLIP que genera señales cerebrales (M/EEG) a partir de imágenes para prótesis visuales, alineando las representaciones de imágenes y descripciones textuales con las señales neuronales mediante mecanismos de atención cruzada y codificaciones espaciotemporales aprendibles.
El artículo presenta BEVTraj, un marco de predicción de trayectorias sin mapas que utiliza atención deformable y propuestas de objetivos dispersas para lograr un rendimiento comparable a los métodos basados en mapas de alta definición, ofreciendo mayor flexibilidad y robustez al procesar directamente datos de sensores en vista cenital.
Este trabajo presenta un marco de aprendizaje auto-supervisado multi-tarea con currículo (CMTSSL) que mejora el rendimiento de arquitecturas ligeras para la segmentación de imágenes hiperespectrales en satélites, logrando ganancias consistentes en tareas de clasificación mediante un diseño eficiente que combina modelado de imágenes enmascaradas y rompecabezas espaciales-espectrales.
El artículo presenta la Poda de Tokens en Pirámide (PTP), una estrategia sin entrenamiento que mejora la percepción visual de los Modelos Grandes de Lenguaje y Visión de alta resolución al reducir selectivamente los tokens visuales basándose en la saliencia regional y la relevancia de las instrucciones, logrando así una menor latencia y coste computacional con un rendimiento casi idéntico.
El artículo presenta DiffusionNFT, un nuevo paradigma de aprendizaje por refuerzo en línea que optimiza modelos de difusión directamente en el proceso forward mediante flujo de coincidencia, superando las limitaciones de métodos anteriores al eliminar la necesidad de estimación de verosimilitud y solvers específicos, lo que resulta en una eficiencia hasta 25 veces mayor y mejoras significativas en benchmarks como GenEval y SD3.5-Medium.
El artículo presenta DeLiVR, un método eficiente para la eliminación de lluvia en videos que mejora la consistencia espaciotemporal inyectando sesgos diferenciales de grupos de Lie en las puntuaciones de atención para lograr una alineación geométrica precisa y una estimación robusta de la velocidad de las gotas de lluvia.
El artículo presenta LAKAN, un nuevo método de detección de deepfakes que combina redes Kolmogorov-Arnold (KAN) con puntos de referencia faciales para adaptar dinámicamente los parámetros de la red y enfocarse en las regiones más informativas de las imágenes, logrando un rendimiento superior en múltiples conjuntos de datos.
Este artículo propone dos estrategias de escalado eficiente en tiempo de prueba, TTAug y TTAdapt, que mejoran el rendimiento de los modelos de visión y lenguaje pequeños mediante el uso de características internas y pseudolabels de consenso, logrando mejoras consistentes en múltiples benchmarks sin sacrificar la eficiencia computacional.
El artículo presenta UGround, un paradigma unificado de grounding visual que supera las limitaciones de los enfoques actuales mediante el uso de Transformers desenrollados y una política de enmascaramiento estocástica para seleccionar dinámicamente capas intermedias y proporcionar señales espaciales explícitas, logrando así unificar tareas de segmentación desde expresiones de referencia hasta razonamiento complejo en un solo marco.
El artículo presenta PAGCNet, un marco de estimación de profundidad panorámica que aborda el desafío de reconstruir el fondo en interiores complejos mediante decodificadores multitarea y un componente de resolución de profundidad de fondo consciente de la pose, el cual utiliza la pose de la cámara para generar una restricción geométrica que corrige y refina las predicciones iniciales, logrando un rendimiento superior en conjuntos de datos como Matterport3D, Structured3D y Replica.
Este artículo demuestra que las etiquetas abstractas son más efectivas que las objetivas para la clasificación de privacidad en imágenes cuando el presupuesto de etiquetas es limitado, mientras que la información basada en objetos resulta igual de útil cuando se dispone de un mayor número de etiquetas.
Este trabajo presenta el primer marco escalable para la destilación de modelos de difusión de tiempo continuo en tareas de imagen y video a gran escala, introduciendo el modelo de consistencia regularizado por puntuación (rCM) que, mediante un kernel JVP compatible con FlashAttention-2 y un regularizador de destilación de puntuación, logra generar muestras de alta fidelidad en 1-4 pasos con una aceleración de 15x a 50x, superando las limitaciones de calidad y diversidad de métodos anteriores como sCM sin necesidad de ajuste GAN.
El artículo presenta AnyUp, un método de superresolución de características visualmente agnóstico que mejora la calidad y generalización de las características upsampleadas sin necesidad de entrenamiento específico para cada extractor.
Este artículo presenta SDeC, un método de edición de incrustaciones de prompts sin entrenamiento que mitiga el desplazamiento de identidad en la generación de imágenes texto-a-imagen al suprimir adaptativamente las correlaciones latentes entre sujeto y escena, permitiendo así una preservación de identidad coherente en diversos contextos sin requerir conocimiento previo de las escenas objetivo.
Este trabajo presenta PC-UNet, un modelo basado en U-Net que incorpora una nueva función de pérdida de consistencia de varianza y media Poissoniana (PVMC-Loss) para mejorar la fidelidad y la consistencia física en la eliminación de ruido de imágenes de Tomografía por Emisión de Positrones (PET).
El artículo presenta PRISMM-Bench, el primer benchmark basado en inconsistencias reales detectadas por revisores en artículos científicos multimodales, que evalúa la capacidad de los Modelos Multimodales Grandes (LMMs) para identificar, corregir y razonar sobre estas discrepancias, revelando un rendimiento significativamente bajo que subraya la necesidad de desarrollar asistentes científicos más confiables.