9814 artículos
El paper presenta SARAH, un método causal en tiempo real que habilita agentes conversacionales con conciencia espacial en entornos de realidad virtual, logrando movimientos corporales naturales sincronizados con el habla y la posición del usuario a más de 300 FPS.
El artículo presenta MemStream, un enfoque que escala el presupuesto de tokens y utiliza una estrategia de selección adaptativa junto con un sistema de expertos de mezcla sin entrenamiento para mejorar la comprensión de videos en streaming y el razonamiento en preguntas y respuestas (VQA), logrando mejoras significativas en benchmarks como CG-Bench, LVBench y VideoMME.
El artículo presenta GRIHA, un marco de trabajo eficiente que genera planos de planta 2D de interiores utilizando únicamente imágenes RGB capturadas con teléfonos inteligentes y tecnología SLAM integrada (ARCore), superando así las limitaciones de hardware especializado y la necesidad de imágenes panorámicas sin oclusiones de los métodos existentes.
Este artículo presenta dos modelos, DSIC y TBDG, que utilizan redes neuronales profundas para generar descripciones flexibles y detalladas de planos arquitectónicos a partir de imágenes, superando las limitaciones de rigidez y falta de detalle de los métodos existentes mediante la síntesis de texto basada en claves visuales y palabras clave.
El artículo presenta MotionHint, un algoritmo de odometría visual monocular auto-supervisado que utiliza un modelo de movimiento basado en redes neuronales (PPnet) para guiar a los sistemas existentes y reducir significativamente el error de trayectoria absoluta en el conjunto de datos KITTI.
Este artículo presenta {\name}, un método que utiliza puntos neuronales guiados por la superficie y mapeo UV de alta resolución para generar avatares volumétricos de cabeza fotorrealistas y dinámicos, superando las limitaciones de las técnicas anteriores en regiones faciales complejas y estructuras delgadas mediante innovaciones que mejoran la eficiencia de entrenamiento y renderizado.
El artículo presenta LoLep, un método novedoso para la síntesis de vistas a partir de una sola imagen que utiliza planos aprendidos localmente y un mecanismo de autoatención para inferir oclusiones, logrando resultados de vanguardia en diversas bases de datos.
El artículo presenta MeGA, un avatar híbrido de cabeza que combina una malla FLAME mejorada para la cara y una representación basada en Gaussians 3D para el cabello, logrando así un renderizado de alta fidelidad y capacidades de edición que superan a los métodos anteriores al abordar las distintas características de los componentes faciales y capilares.
Esta investigación propone un marco innovador de tres pasos para mejorar la detección y el seguimiento de objetos en videos panorámicos de ciclistas, superando las limitaciones de distorsión y continuidad de bordes para analizar factores de riesgo y detectar adelantamientos en entornos urbanos reales.
Este artículo presenta un método de percepción BEV para inferencia con una sola cámara que, mediante el uso de una máscara moderna, un ciclo de tasa de aprendizaje y una pérdida de reconstrucción de características durante el entrenamiento con múltiples cámaras, supera el rendimiento de los modelos entrenados exclusivamente con una o seis cámaras, reduciendo las alucinaciones y mejorando la calidad del mapa.
Este artículo propone un pipeline de destilación de conocimiento que utiliza Dust3r como modelo maestro para entrenar modelos estudiantiles más eficientes en el conjunto de datos 12Scenes, demostrando mediante estudios comparativos y de ablación que la arquitectura basada en Vision Transformer logra el mejor rendimiento en la reconstrucción 3D multi-vista.
Este artículo presenta TOSCA, un método de ajuste fino post-entrenamiento que utiliza módulos LuCA dispersos a nivel de token en el token [CLS] para lograr un equilibrio óptimo entre estabilidad y plasticidad en el aprendizaje continuo, logrando un rendimiento superior con una reducción de parámetros de aproximadamente 8 veces en comparación con métodos anteriores.
Este estudio presenta un enfoque novedoso que combina Vision Transformers (ViTs) con Mapas Autoorganizados (SOMs) para superar las limitaciones de los ViTs en conjuntos de datos pequeños, logrando un rendimiento significativamente mejorado en tareas supervisadas y no supervisadas gracias a la preservación de la topología espacial inherente a los SOMs.
Este artículo presenta Cert-SSB, un método de defensa certificada contra ataques de puerta trasera que mejora el rendimiento al optimizar el nivel de ruido de suavizado específico para cada muestra y emplear un mecanismo de certificación basado en actualización de almacenamiento para ajustar dinámicamente las regiones de certificación.
Este estudio propone un método robusto basado en una arquitectura U-Net modificada con mecanismos de atención para la segmentación automática de regiones pulmonares infectadas por COVID-19 en tomografías computarizadas, logrando un coeficiente Dice de 0.8658 y superando a otros métodos existentes.
Este trabajo presenta HLIP, un marco de pre-entrenamiento escalable para imágenes médicas 3D que utiliza un mecanismo de atención jerárquica sobre estudios clínicos no curados para lograr un rendimiento superior en benchmarks de MRI cerebral y TC de cabeza.
Este artículo propone un modelo híbrido de convolución-transformer consciente de la demografía, que combina radiografías de muñeca con la edad y el sexo del paciente mediante enmascaramiento progresivo de metadatos, para mejorar el reconocimiento de patologías pediátricas al abordar la variabilidad anatómica normal y demostrar que la inicialización con preentrenamiento en datos de granularidad fina supera a los enfoques tradicionales.
Este artículo presenta MCIF, el primer benchmark humano anotado y multilingüe basado en charlas científicas que evalúa de manera integral la capacidad de los modelos de lenguaje multimodal para seguir instrucciones en contextos cruzados de idioma, modalidad y longitud de entrada.
Este artículo presenta un marco formal y riguroso para generar explicaciones causales completas, suficientes y necesarias en la clasificación de imágenes mediante algoritmos de caja negra que no requieren acceso interno al modelo ni a sus gradientes, demostrando su viabilidad computacional y equivalencia con las explicaciones lógicas.
El artículo presenta PP-Motion, una nueva métrica basada en datos que evalúa la fidelidad de la generación de movimiento humano integrando tanto la alineación física objetiva como la percepción humana, superando así las limitaciones de los métodos anteriores al proporcionar anotaciones continuas y de alta granularidad.