9122 artículos
Este artículo presenta un marco de detección de anomalías en 3D totalmente libre de entrenamiento para resonancias magnéticas cerebrales, que supera las limitaciones de los enfoques 2D al agregar rebanadas multi-eje procesadas por modelos fundacionales 2D para generar tokens volumétricos locales que capturan el contexto espacial completo sin necesidad de supervisión ni ajuste fino.
El marco Sparrow aborda el colapso de rendimiento del muestreo especulativo en modelos de lenguaje grandes para video mediante la atención anclada a texto con ventanas y la reutilización de estados intermedios ricos en semántica visual, logrando una aceleración de 2.82x incluso con secuencias largas de 25k tokens visuales.
El artículo presenta EventMemAgent, un agente activo para la comprensión de video en línea que supera las limitaciones de contexto de los modelos multimodales mediante una memoria jerárquica centrada en eventos, una estrategia de muestreo de reservorio y el uso de aprendizaje por refuerzo para integrar herramientas de percepción activa.
Este estudio demuestra que el marco de aprendizaje auto-supervisado USF-MAE supera consistentemente a MoCo v3 en la clasificación de vistas de ecocardiogramas utilizando el conjunto de datos CACTUS, logrando métricas de rendimiento superiores y estadísticamente significativas.
Este artículo presenta MAIL y Robust-MAIL, redes neuronales novedosas que superan las limitaciones de los métodos actuales de fusión multimodal en el análisis de imágenes médicas al ofrecer mayor generalización, eficiencia computacional y robustez ante ataques adversarios, logrando mejoras significativas en el rendimiento en 20 conjuntos de datos públicos.
El artículo presenta CREMD, un conjunto de datos multimodal de perros creado mediante crowdsourcing que analiza cómo el contexto visual, el audio y las características de los anotadores influyen en la percepción y el etiquetado de las emociones caninas, revelando que el contexto visual mejora el acuerdo, los no propietarios y los hombres muestran mayor consenso que sus contrapartes, y el audio aumenta la confianza en la identificación de emociones específicas.
El artículo presenta GMAIL, un marco innovador que mejora el aprendizaje con imágenes generadas alineando explícitamente las modalidades real y sintética en un espacio latente común, lo que permite entrenar modelos de visión-lingüística con datos generados sin sufrir colapso de modos y logrando mejoras significativas en tareas como la descripción de imágenes y la recuperación cero-shot.
Este artículo presenta un sistema integral de extremo a extremo para la extracción automática de escenas humorísticas de películas de larga duración, que combina detección de planos, localización multimodal y etiquetado de humor para lograr una precisión superior al estado del arte y optimizar la creación de contenido atractivo para plataformas de streaming.
Este trabajo presenta "The Vision Wormhole", un marco innovador que habilita la comunicación libre de texto y agnóstica al modelo en sistemas multiagente heterogéneos mediante la codificación de trazas de razonamiento en un espacio latente compartido y su inyección directa a través de la interfaz visual de los modelos, logrando así una reducción significativa en la complejidad de alineación y en el tiempo de ejecución sin sacrificar la fidelidad del razonamiento.
Este trabajo propone un marco novedoso basado en puentes de Schrödinger que detecta y suprime las alucinaciones de clases objetivo en la traducción de imágenes sin emparejar de día a noche mediante discriminadores duales y prototipos de clase, logrando mejoras significativas en el rendimiento de tareas posteriores como la adaptación de dominio.
Este artículo presenta el Agrupamiento por Desplazamiento Medio Doblemente Estocástico (DSMS), un método innovador que introduce aleatoriedad tanto en las actualizaciones de trayectoria como en el ancho de banda del kernel para regularizar implícitamente el algoritmo, logrando una mayor estabilidad y evitando la sobre-segmentación en escenarios de escasez de datos.
Este artículo presenta Adjoint Schrödinger Bridge Matching (ASBM), un marco de modelado generativo que supera las limitaciones de los procesos de difusión sin memoria al recuperar trayectorias óptimas y más rectas mediante un acoplamiento inducido, logrando así una generación de imágenes de alta fidelidad con mayor estabilidad, eficiencia y capacidad de destilación en un solo paso.
Este trabajo presenta un marco de evaluación que demuestra que, aunque el razonamiento de cadena de pensamiento mejora la generalización en distribución para tareas de planificación visual, la generalización fuera de distribución sigue siendo limitada, siendo los modelos puramente textuales y las trazas de razonamiento que combinan múltiples formatos de texto los que logran los mejores resultados no triviales.
Este artículo presenta la primera evaluación sistemática en cero disparos de modelos de lenguaje multimodal de código abierto para la detección de ataques de morfismo facial, demostrando que modelos como LLaVA1.6-Mistral-7B superan significativamente a las soluciones especializadas tradicionales al identificar inconsistencias faciales sin necesidad de entrenamiento específico.
El artículo presenta RPT-SR, un transformador de atención con priores regionales que mejora la super-resolución de imágenes infrarrojas al integrar tokens de memoria persistente de la escena con tokens locales, logrando así un nuevo estado del arte en espectros de onda larga y corta.
Este artículo presenta LEADER, una red neuronal ligera y totalmente end-to-end que extrae descriptores de minucias de huellas dactilares mediante un mecanismo de doble autoencoder con puerta de atención, logrando un rendimiento superior y una alta eficiencia computacional tanto en huellas claras como latentes.
Este trabajo propone un marco de filtrado semántico que utiliza modelos de lenguaje-visión para eliminar objetos transitorios en la reconstrucción 3D mediante Gaussian Splatting, resolviendo ambigüedades de paralaje y mejorando la calidad de la imagen con un bajo costo de memoria en comparación con métodos basados en movimiento.
Este artículo presenta una "Puntuación de Aceptación Avanzada", una medida holística para evaluar la calidad de los puntajes de características biométricas en gestos manuales que supera las limitaciones de las tasas de error tradicionales al incorporar la jerarquía de puntuaciones, la correspondencia con la verdad fundamental y la disociación de identidades, validada experimentalmente en múltiples conjuntos de datos y modelos.
Este artículo propone un marco de fusión dinámica y sin entrenamiento que combina LoRAs de sujeto y estilo mediante la selección adaptativa de pesos basada en la divergencia KL y correcciones guiadas por gradientes en el espacio latente, logrando una síntesis coherente que supera a los métodos actuales.
El artículo presenta PADE, un método sin entrenamiento que mitiga las alucinaciones en los Modelos de Lenguaje y Visión Grandes (LVLMs) mediante la detección y mejora de las regiones visuales clave utilizando la dinámica de atención interna positiva, lo que resulta en una mejor anclaje visual y consistencia en la respuesta.