9655 artículos
VFace es un método plug-and-play sin entrenamiento que mejora el intercambio de rostros en videos basado en modelos de difusión mediante técnicas de atención de interpolación de espectro de frecuencias, guía de estructura objetivo y suavizado temporal guiado por flujo para lograr una alta fidelidad visual y coherencia espacio-temporal.
El artículo presenta MolmoSpaces, un ecosistema abierto y a gran escala que ofrece más de 230.000 entornos diversos y activos de objetos anotados para el entrenamiento y la evaluación de políticas de robots en tareas de navegación y manipulación, demostrando una fuerte correlación entre simulación y realidad.
El artículo presenta MTL-VQA, un marco de aprendizaje multitarea que utiliza métricas de referencia completa como señales de supervisión para preentrenar representaciones perceptuales efectivas para la evaluación de calidad de video en juegos sin referencia, logrando un rendimiento competitivo incluso con datos limitados.
Este trabajo propone la destilación de priores de movimiento (MPD), una técnica de inferencia que mejora la coherencia temporal en la generación de fotogramas intermedios al transferir el residual de movimiento de la trayectoria hacia adelante a la hacia atrás, evitando así las discontinuidades y artefactos visuales causados por la desalineación en los modelos de difusión de imagen a video.
El artículo presenta VisPhyWorld, un marco de evaluación basado en la ejecución de código que, a través del benchmark VisPhyBench, revela que aunque los modelos de lenguaje multimodales actuales comprenden bien la semántica de las escenas, tienen dificultades para inferir parámetros físicos y simular dinámicas consistentes.
El artículo presenta CT-Bench, un nuevo conjunto de datos y evaluación de referencia pionero que aborda la escasez de anotaciones a nivel de lesión en tomografía computarizada mediante un extenso conjunto de imágenes con metadatos y un banco de preguntas y respuestas visuales, demostrando que el ajuste fino de modelos multimodales en estos datos mejora significativamente el análisis de lesiones en comparación con las evaluaciones de radiólogos.
El artículo presenta E²D, un método de destilación de conjuntos de datos que supera la compensación entre precisión y eficiencia mediante una estrategia de dos fases de exploración y explotación, logrando resultados superiores al estado del arte en ImageNet-1K e ImageNet-21K con una velocidad significativamente mayor.
Este artículo presenta un pipeline automatizado que utiliza técnicas de aprendizaje automático, como la extracción de características y clasificadores SVM y regresión logística, para lograr una segmentación y clasificación precisa de vasos sanguíneos en imágenes de tomografía de coherencia óptica intracoronaria con una precisión del 99,68%.
Los autores proponen un modelo generativo no supervisado con un espacio latente jerárquico que desentrelaza el brillo del estilo artístico, permitiendo el control fino de estos factores en la síntesis de imágenes no fotorrealistas mediante un adaptador ligero conectado a un modelo de difusión latente.
Este estudio presenta un método de gemelo digital habilitado por Splatting Gaussiano que supera las limitaciones de las técnicas tradicionales para visualizar daños en estructuras civiles en 3D, ofreciendo una reconstrucción eficiente, detallada y actualizable mediante una estrategia multiescala probada en un conjunto de datos sintético de post-sismo.
Este artículo presenta UltraVQA, un dataset a gran escala de contenido generado por usuarios con anotaciones multidimensionales, e introduce la Optimización de Puntuación Analítica (ASO), un método de post-entrenamiento teóricamente fundamentado que supera a los modelos existentes al mejorar la precisión y la alineación con las preferencias humanas en la evaluación de calidad de video.
El artículo presenta DODO, un modelo de visión-lingüística que utiliza difusión discreta por bloques para superar las limitaciones de velocidad de los modelos autoregresivos en la reconocimiento óptico de caracteres (OCR), logrando una inferencia hasta tres veces más rápida sin sacrificar la precisión.
Este artículo presenta StereoAdapter-2, un marco de estimación de profundidad estéreo para entornos submarinos que reemplaza las actualizaciones convencionales basadas en GRU con un operador ConvSS2D de modelos de estado selectivo para lograr una propagación espacial eficiente de largo alcance, y que se complementa con la creación del dataset sintético UW-StereoDepth-80K, logrando un rendimiento de vanguardia en pruebas cero-shot y validación en plataformas reales.
El artículo presenta SemCovNet, un modelo innovador que mitiga el desequilibrio en la cobertura semántica (SCI) mediante la integración de mapas descriptores, modulación de atención y alineación de características para lograr una representación visual más justa y equitativa.
Xray-Visual es un modelo unificado de visión entrenado a escala industrial con datos de redes sociales que, mediante una arquitectura eficiente y un pipeline de entrenamiento de tres etapas, logra un rendimiento superior en clasificación de imágenes, comprensión de video y recuperación multimodal, mejorado aún más mediante la integración de modelos de lenguaje grandes.
Este artículo presenta HSI-SC-NeRF, un marco de redes neuronales de campos radiantes (NeRF) de múltiples canales diseñado para la reconstrucción 3D y espectral de productos agrícolas mediante una cámara estacionaria y un objeto rotatorio, superando las limitaciones de hardware de los sistemas tradicionales para su integración en flujos de trabajo automatizados de inspección postcosecha.
El artículo propone DDiT, una estrategia de tokenización dinámica que ajusta el tamaño de los parches según la complejidad del contenido y el paso de tiempo durante la inferencia, logrando aceleraciones significativas en modelos DiT sin comprometer la calidad de generación.
El trabajo presenta PRIMO, un modelo de variables latentes supervisado que imputa modalidades faltantes en datos multimodales incompletos para cuantificar su impacto predictivo a nivel de instancia y mantener un rendimiento comparable a los enfoques tradicionales tanto en escenarios con datos completos como parciales.
Este artículo presenta un marco basado en parches que logra una alta precisión en la atribución de autoría espacial en pinturas colaborativas humano-robot, utilizando entropía condicional para cuantificar la superposición estilística y ofrecer una solución eficiente en datos para contextos creativos con IA.
PartRAG es un marco de generación y edición 3D a nivel de partes que utiliza recuperación aumentada y un módulo de contraste jerárquico para integrar una base de datos externa de partes, mejorando la consistencia multivista, la fidelidad estructural y permitiendo ediciones precisas sin regenerar todo el objeto.