9465 artículos
El artículo presenta LATA, un método de adaptación transductiva libre de entrenamiento y etiquetas que utiliza un grafo de vecinos más cercanos y una puntuación conformal consciente de fallos para mejorar la eficiencia y el equilibrio de las clases en las predicciones de modelos de visión-lingüística médica, garantizando al mismo tiempo una cobertura válida bajo cambios de dominio.
Este artículo presenta un enfoque de vanguardia para la imagenología SAR 3D que utiliza representaciones implícitas neuronales para modelar superficies de dispersión y regularizar la reconstrucción a partir de datos esparsos, demostrando su eficacia tanto en datos simulados como medidos.
RetouchIQ es un marco que utiliza agentes de modelos de lenguaje multimodal (MLLM) guiados por un modelo de recompensa generalista para realizar edición de imágenes basada en instrucciones, superando las limitaciones de las recompensas tradicionales mediante un aprendizaje por refuerzo que mejora la coherencia semántica y la calidad perceptual.
Este artículo presenta FR-GESTURE, el primer conjunto de datos RGBD diseñado específicamente para el control de vehículos terrestres no tripulados mediante gestos en operaciones de primeros respondedores, el cual incluye 3312 pares de imágenes capturadas bajo diversas condiciones y se pone a disposición pública para fomentar la investigación en interacción humano-robot.
Este trabajo presenta ArtToMus, un marco innovador que genera música directamente a partir de obras de arte sin depender de descripciones textuales, apoyado por el nuevo conjunto de datos ArtSound de más de 100.000 pares de imagen-sonido.
Este artículo propone un marco unificado de descubrimiento geoespacial que integra aprendizaje activo y meta-aprendizaje en línea, guiado por la relevancia de conceptos latentes para optimizar el muestreo y la generalización en entornos dinámicos con datos escasos, demostrando su eficacia en la detección de contaminantes PFAS.
El artículo presenta CORAL, un marco basado en DiT que mejora el probador virtual mediante el alineamiento explícito de las correspondencias persona-ropa en la atención 3D, lo que resulta en una mejor preservación de detalles y formas globales.
IntRec es un marco de recuperación de objetos interactivo que mejora la precisión en escenas complejas mediante un estado de intención que utiliza memoria dual y alineación contrastiva para refinar las predicciones con retroalimentación del usuario, superando significativamente a los métodos existentes en benchmarks como LVIS.
El artículo presenta M-Attack-V2, una mejora modular sobre M-Attack que supera las limitaciones de los ataques adversarios de caja negra en modelos de visión y lenguaje grandes mediante alineación multi-corte y un conjunto de parches refinado, logrando tasas de éxito sin precedentes en modelos de vanguardia como Claude-4.0, Gemini-2.5-Pro y GPT-5.
Este trabajo introduce LIBERO-CF, el primer benchmark contrafactual para evaluar la capacidad de los modelos Visión-Lenguaje-Acción (VLAs) de seguir instrucciones en lugar de depender de atajos visuales, y propone la Guía de Acción Contrafactual (CAG), un método de inferencia sin entrenamiento que mejora significativamente la precisión del seguimiento lingüístico y el éxito de las tareas al combinar una política estándar con un módulo de visión-acción no condicionado al lenguaje.
Este trabajo propone Port, un marco de entrenamiento de recuperación posicional que mejora la detección de comportamientos animales mediante la recuperación de secuencias de etiquetas corruptas y un método de doble alineación, logrando un rendimiento destacado en el conjunto de datos Animal Kingdom y en el desafío ICME 2024.
El artículo presenta SkimLFSR, una arquitectura eficiente basada en el principio "menos es más" que utiliza un Transformador de Muestreo (Skim Transformer) con múltiples ramas para procesar subconjuntos seleccionados de imágenes de apertura subaperturada, logrando así un rendimiento superior en la superresolución de imágenes de campo de luz con una reducción significativa de parámetros y una mayor adaptabilidad.
Este trabajo presenta Ctrl-GenAug, un marco de aumento generativo controlable que sintetiza secuencias médicas semánticamente y secuencialmente personalizadas mientras filtra muestras ruidosas, mejorando así el rendimiento de la clasificación en secuencias médicas, especialmente en poblaciones subrepresentadas y condiciones fuera de dominio.
El artículo presenta Fused-Planes, una representación de objetos que mejora la eficiencia de las Tri-Planes al compartir planos base globales y capturar similitudes estructurales, logrando una velocidad de entrenamiento 7,2 veces mayor y un uso de memoria 3,2 veces menor sin sacrificar la calidad de renderizado.
El artículo presenta VeGaS, un nuevo modelo de salpicadura gaussiana para video que utiliza una familia de distribuciones gaussianas plegadas para superar las limitaciones de edición de métodos anteriores, logrando una reconstrucción de cuadros superior y permitiendo modificaciones realistas en los datos de video.
El artículo presenta MC-LLaVA, un modelo de visión y lenguaje personalizado que supera las limitaciones de los enfoques actuales al integrar múltiples conceptos simultáneamente mediante un ajuste fino de instrucciones, prompts personalizados y un nuevo conjunto de datos de alta calidad para mejorar la interacción con el usuario.
Esta revisión sintetiza los conceptos fundamentales de la cuantificación de incertidumbre bayesiana en la segmentación de imágenes probabilística, estableciendo un marco unificado que analiza su impacto en tareas clave, identifica desafíos críticos y ofrece directrices prácticas para el desarrollo de modelos más robustos y confiables.
El artículo presenta RoboSpatial, un conjunto de datos a gran escala que combina escaneos 3D e imágenes egocéntricas con anotaciones espaciales ricas para entrenar modelos de visión-lingüística y mejorar su capacidad de razonamiento espacial en tareas de robótica.
El artículo presenta LMSeg, un método que mejora la segmentación semántica de vocabulario abierto al combinar prompts enriquecidos generados por modelos de lenguaje grande (LLM) con una fusión ponderada de características visuales de CLIP y SAM, logrando así un rendimiento superior en benchmarks clave.
El artículo presenta PromptGuard, una técnica innovadora que utiliza prompts blandos de seguridad optimizados para moderar eficazmente el contenido inapropiado en modelos de texto-a-imagen sin alterar su eficiencia ni requerir modelos proxy, logrando una reducción significativa de imágenes NSFW mientras preserva la calidad de las generadas.