9023 artículos
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.
Este artículo propone un marco de interacción de doble prior basado en un Transformer (DPIT) y una red de corrección lineal local (LLCN) para generar y fusionar eficazmente priores de transmisión y generales, logrando así un rendimiento superior en la separación de reflexiones en imágenes únicas.
Este trabajo demuestra que los modelos preentrenados en imágenes RGB introducen un sesgo de atención asimétrica en la segmentación de imágenes de microscopía electrónica 2D+ debido a la asignación desigual de importancia a las capas vecinas, y propone una inicialización uniforme de los canales que restaura la simetría en la atribución de características sin comprometer la precisión de la segmentación.
El artículo presenta RAVENEA, un nuevo benchmark que integra documentos de Wikipedia para evaluar y mejorar la comprensión de la cultura visual en modelos de lenguaje y visión mediante la generación aumentada por recuperación (RAG), demostrando que esta aproximación supera significativamente a los modelos sin contexto cultural.
Este trabajo presenta ICon, un método de aprendizaje contrastivo a nivel de token en Vision Transformers que genera representaciones visuales centradas en el agente al separar las señales del cuerpo del entorno, mejorando así el aprendizaje y la transferencia de políticas en tareas de manipulación robótica.
OmniEarth-Bench es el primer benchmark multimodal que evalúa holísticamente las seis esferas de la Tierra y sus interacciones mediante 109 tareas expertas, revelando que los modelos de lenguaje multimodal más avanzados actuales presentan brechas significativas en su capacidad cognitiva para comprender los sistemas terrestres.
El artículo presenta MS-Splatting, un marco innovador de *Gaussian Splatting* 3D que utiliza una representación neuronal de color para generar vistas nuevas multiespectrales consistentes sin necesidad de calibración cruzada, mejorando la calidad de renderizado y permitiendo aplicaciones como el cálculo de índices de vegetación.
El paper presenta AliTok, un nuevo tokenizador alineado que resuelve la desincronización entre las dependencias bidireccionales de las imágenes y la naturaleza unidireccional de los modelos autoregresivos, permitiendo que arquitecturas ligeras generen imágenes de alta fidelidad en ImageNet con una velocidad de muestreo diez veces superior a los métodos de difusión actuales.
Este trabajo presenta Stretch-and-Squeeze (SnS), un marco de optimización sin gradientes que caracteriza sistemáticamente las transformaciones invariantes y la sensibilidad adversaria en sistemas visuales biológicos y artificiales, revelando cómo la invariancia se manifiesta de manera distinta según la profundidad de la red y afectando la interpretabilidad humana de las representaciones.
El artículo presenta HMSViT, un transformador de visión auto-supervisado jerárquico y enmascarado que logra un rendimiento superior en la segmentación de nervios corneales y el diagnóstico de neuropatía diabética mediante la extracción eficiente de características multiescala y un marco de aprendizaje auto-supervisado que reduce la dependencia de datos etiquetados.
Este artículo presenta DeepRare, un sistema multiagente impulsado por modelos de lenguaje grande que mejora el diagnóstico de enfermedades raras mediante el procesamiento de datos clínicos heterogéneos para generar hipótesis diagnósticas precisas y trazables, superando significativamente a los métodos existentes en diversas evaluaciones.
El artículo presenta SPATIA, un modelo generativo y predictivo multimodal que integra morfología, expresión génica y contexto espacial para generar representaciones unificadas de células, predecir fenotipos bajo perturbaciones y superar a los modelos actuales en tareas de generación, anotación e imputación de datos espaciales.
Este trabajo presenta "Recall", un nuevo marco de ataque adversarial multi-modal que utiliza imágenes de referencia para comprometer la robustez de los modelos de generación de imágenes tras su olvido (unlearning), revelando vulnerabilidades críticas en las técnicas actuales de eliminación de conceptos.
El artículo presenta DGFDNet, una red de desvanecimiento de imágenes dual-domain que integra priors de canal oscuro para la modulación de frecuencia y mecanismos de agregación enmascarada, logrando un rendimiento superior y eficiente en comparación con los métodos existentes.
El artículo presenta U-MARVEL, un marco unificado que identifica factores clave en el aprendizaje de incrustaciones mediante MLLMs para la recuperación multimodal universal, logrando un rendimiento superior al estado del arte en diversas tareas y benchmarks.
El artículo presenta el Latent Denoising Tokenizer (l-DeTok), un nuevo tipo de tokenizador que alinea sus representaciones latentes con el objetivo de denoising de los modelos generativos, logrando así una mejora consistente en la calidad de la generación de imágenes en comparación con los tokenizadores anteriores.
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.