10070 artículos
Este estudio demuestra que la percepción social humana depende de información explícita y simple sobre la pose en 3D, la cual es fundamental para predecir juicios sociales y mejorar el rendimiento de las redes neuronales profundas.
El artículo presenta "Perception-to-Pursuit" (P2P), un marco de razonamiento temporal centrado en la pista que utiliza transformadores causales para predecir trayectorias de drones y planificar persecuciones autónomas viables, logrando una mejora del 77% en la precisión de predicción y un aumento masivo en la viabilidad de la persecución en comparación con los métodos tradicionales.
UrbanGS es un marco de reconstrucción escalable para entornos urbanos que mejora la precisión geométrica y la eficiencia mediante una regularización de profundidad consistente con D-Normal, una poda adaptativa de gaussianas y un esquema de partición unificado.
El artículo presenta UniReason 1.0, un marco unificado que mejora la generación y edición de imágenes mediante la integración de razonamiento textual basado en conocimiento del mundo y refinamiento visual iterativo, logrando un rendimiento superior en tareas complejas de síntesis multimodal.
Este artículo presenta la Consistencia de Pares Temporales (TPC), un principio ligero de reducción de varianza que acopla las predicciones de velocidad en pares de instantes de tiempo dentro de modelos de flujo continuo, mejorando teórica y empíricamente la calidad y eficiencia de la generación de imágenes sin alterar la arquitectura del modelo, la trayectoria de probabilidad o el solucionador.
Este estudio propone el modelo de ensamblaje asimétrico consciente del contexto (CAA Ensemble), que integra una red de consulta activa multiescala y un aprendizaje de instancias múltiples para la topología vascular, logrando un rendimiento de vanguardia y una interpretabilidad clínica en el cribado de la retinopatía del prematuro a pesar de las limitaciones de datos.
El informe técnico presenta FireRed-Image-Edit, un modelo de transformador de difusión que logra un rendimiento de vanguardia en la edición de imágenes basada en instrucciones mediante la optimización sistemática de un corpus de 1.600 millones de muestras, una metodología de entrenamiento multi-etapa con técnicas avanzadas de alineación y estabilidad, y la introducción del nuevo benchmark REDEdit-Bench para evaluar tareas de edición complejas.
Este trabajo presenta LeafNet, un conjunto de datos multimodal a gran escala con 186.000 imágenes de hojas y 13.950 pares de preguntas y respuestas, junto con el benchmark LeafBench, para evaluar y mejorar el rendimiento de los modelos de visión-linguaje en el diagnóstico de enfermedades vegetales, revelando que la integración de representaciones lingüísticas supera significativamente a los modelos de visión tradicionales en tareas de patología agrícola.
El paper presenta GeoEyes, un marco de entrenamiento escalonado que combina el conjunto de datos UHR-CoZ y el método de aprendizaje por refuerzo AdaZoom-GRPO para superar la homogeneización en el uso de herramientas de zoom, permitiendo a los modelos de lenguaje multimodal enfocarse bajo demanda en imágenes de teledetección de ultra alta resolución y lograr un rendimiento superior en benchmarks como XLRS-Bench.
Los autores presentan un marco de segmentación multimodal para imágenes médicas que integra atención entre visión y lenguaje mediante un bloque de decodificación (MoDAB) y una pérdida de incertidumbre espectral-entrópica (SEU), logrando un rendimiento superior y una mayor eficiencia computacional en conjuntos de datos públicos.
Este trabajo presenta Nexus Adapters, una arquitectura eficiente de adaptadores convolucionales guiados por texto que mejora la generación condicional de imágenes preservando la estructura con significativamente menos parámetros que los métodos existentes como T2I-Adapter.
El artículo presenta LGQ, un tokenizador de imágenes discreto que aprende la geometría de cuantización de forma end-to-end mediante asignaciones suaves controladas por temperatura y regularizadores de uso, logrando una optimización estable y una utilización equilibrada del código que supera a métodos existentes como FSQ y SimVQ en fidelidad y eficiencia.
El artículo presenta UncL-STARK, un enfoque que adapta dinámicamente la profundidad de inferencia de rastreadores visuales basados en transformadores mediante estimaciones de incertidumbre, logrando reducciones significativas en costos computacionales, latencia y consumo energético sin comprometer la precisión del seguimiento.
Este trabajo presenta un marco de pronóstico probabilístico basado en transformadores que combina series temporales de NDVI escasas con covariables meteorológicas, utilizando una pérdida de cuantiles ponderada por distancia temporal y ingeniería de características climáticas para superar los desafíos de la cobertura de nubes y mejorar la precisión en la predicción de la dinámica de la vegetación a nivel de campo.
El artículo presenta Robust-MMR, un marco de pre-entrenamiento auto-supervisado que integra objetivos de robustez explícitos para generar representaciones médico-visuales invariantes al dominio, logrando mejoras significativas en tareas de razonamiento clínico y recuperación de imágenes bajo condiciones de desplazamiento de dominio y perturbaciones.
Esta tesis demuestra la eficacia de CLICK-SPOT, un método de detección de objetos basado en imágenes aplicado a transformaciones avanzadas de wavelet, para la detección y clasificación automática de los clics de ecolocalización de orcas noruegas, superando las limitaciones de los espectrogramas tradicionales en entornos bioacústicos complejos.
Este trabajo presenta KPM-Bench, un nuevo conjunto de datos y marco de evaluación para la comprensión de movimientos en video que, mediante un pipeline de anotación automática basado en cinemática y el algoritmo MoPE, aborda las limitaciones actuales en la descripción detallada de acciones y mitiga sistemáticamente las alucinaciones en modelos de generación de subtítulos.
El artículo presenta CLUTCH, un sistema basado en modelos de lenguaje grande que, junto con el nuevo conjunto de datos 3D-HIW y técnicas innovadoras como SHIFT, logra un modelado de movimiento de manos condicionado por texto con alta fidelidad en entornos naturales, superando las limitaciones de los métodos anteriores restringidos a estudios.
Este artículo presenta PRISM, un marco de aprendizaje auto-supervisado que utiliza mapas de bordes y la descomposición de luminancia para mejorar la estimación de profundidad y pose en colonoscopias monocular, demostrando que el entrenamiento con datos reales supera al supervisado con datos sintéticos y resaltando la importancia crítica de la tasa de cuadros del video.
El artículo presenta LGD-Net, una red neuronal dual innovadora que utiliza conocimiento específico del dominio para predecir con alta precisión y eficiencia los niveles de expresión de HER2 en cáncer de mama directamente a partir de imágenes H&E, evitando los costos y artefactos asociados a la tinción virtual a nivel de píxel.