9577 artículos
Este estudio presenta un marco de aprendizaje profundo que extrae información pronóstica de videos de ultrasonido carotídeo para cuantificar el daño vascular y predecir eventos cardiovasculares y mortalidad con una precisión superior a los modelos tradicionales, demostrando el potencial de esta modalidad rutinaria para la evaluación de riesgos a gran escala.
Este trabajo propone un pipeline de generación de documentos falsificados de alta calidad, basado en aprendizaje contrastivo y redes auxiliares para la selección de recortes, que supera las limitaciones de los métodos anteriores y mejora significativamente el rendimiento de los modelos de detección de alteraciones en datos reales.
El artículo presenta Polaffini, un marco robusto y versátil para el registro de imágenes médicas que aprovecha modelos de segmentación profunda para generar puntos de referencia anatómicos y realizar transformaciones afines y poliafines precisas, superando a los métodos basados en intensidad en alineación estructural y ofreciendo una inicialización superior para registros no lineales posteriores.
Este artículo presenta una implementación práctica del método de círculos comunes, que incorpora restricciones de consistencia temporal para estimar de manera eficiente y estable el movimiento rotacional de tejidos biológicos submilimétricos en tomografía de difracción óptica.
El artículo presenta DRetHTR, un modelo de reconocimiento de texto manuscrito basado en redes retentivas que elimina la caché KV creciente de los Transformers para lograr una inferencia lineal más rápida y eficiente en memoria, manteniendo al mismo tiempo un estado del arte en precisión.
SpectralGCD es un enfoque multimodal eficiente para el descubrimiento generalizado de categorías que utiliza similitudes imagen-concepto de CLIP y filtrado espectral para aprender representaciones semánticas robustas y alineadas, logrando un rendimiento superior al estado del arte con un costo computacional significativamente menor.
Este trabajo ofrece una visión general integral del campo de la teledetección óptica, abarcando sus capacidades, conjuntos de datos y metodologías clave para servir como guía fundamental a los investigadores que se inician en este ámbito.
El artículo presenta Local-EndoGS, un marco de reconstrucción 4D de alto rendimiento para secuencias endoscópicas monocular con movimientos de cámara arbitrarios, que supera las limitaciones de los métodos actuales mediante una representación global progresiva basada en ventanas y una estrategia robusta de inicialización que integra geometría multivista y priores de profundidad monocular.
Este trabajo presenta QuPAINT, un marco multimodal que combina un generador de datos sintéticos basado en física (Synthia), un conjunto de instrucciones a gran escala (QMat-Instruct) y un mecanismo de atención informado por física para mejorar la detección y caracterización de materiales cuánticos bidimensionales en imágenes de microscopía óptica, validado mediante el nuevo benchmark QF-Bench.
Este trabajo presenta un pipeline de registro 3D-2D para cirugía hepática con realidad aumentada que, al integrar mapas de profundidad con un estimador de pose fundacional y sustituir los modelos de elementos finitos por un algoritmo NICP no rígido, logra una precisión clínicamente relevante con menor complejidad de ingeniería.
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.