cs.CV artículos | Gist.Science

Bongard-RWR+: Real-World Representations of Fine-Grained Concepts in Bongard Problems

Este trabajo presenta Bongard-RWR+, un conjunto de datos ampliado de 5.400 instancias que utiliza imágenes generadas por modelos de lenguaje visuales para representar conceptos abstractos de problemas Bongard en escenarios realistas, demostrando que, aunque los modelos actuales reconocen conceptos visuales generales, siguen teniendo dificultades significativas para discernir conceptos finos y realizar razonamiento abstracto.

Szymon Pawlonka, Mikołaj Małkiński, Jacek Mańdziuk2026-02-20🤖 cs.AI

Point Linguist Model: Segment Any Object via Bridged Large 3D-Language Model

El modelo Point Linguist (PLM) es un marco general que supera la desalineación entre los grandes modelos de lenguaje y las nubes de puntos 3D mediante la introducción de representaciones discriminativas centradas en objetos y un decodificador de reactivación geométrica, logrando así una segmentación de objetos precisa y robusta sin necesidad de pre-alineación a gran escala.

Zhuoxu Huang, Mingqi Gao, Jungong Han2026-02-20💻 cs

PyRadiomics-cuda: 3D features extraction from medical images for HPC using GPU acceleration

PyRadiomics-cuda es una extensión acelerada por GPU de la biblioteca PyRadiomics que reduce drásticamente el tiempo de extracción de características tridimensionales en imágenes médicas, manteniendo la compatibilidad total con la API original para su integración transparente en flujos de trabajo de IA.

Jakub Lisowski, Piotr Tyrakowski, Szymon Zyguła + 1 more2026-02-20💻 cs

Inference-Time Search Using Side Information for Diffusion-Based Image Reconstruction

Este trabajo propone un algoritmo de búsqueda en tiempo de inferencia que utiliza información lateral para guiar el proceso de muestreo de modelos de difusión y mejorar la reconstrucción de imágenes en problemas inversos, ofreciendo una solución plug-and-play sin entrenamiento que supera a los métodos existentes.

Mahdi Farahbakhsh, Vishnu Teja Kunde, Dileep Kalathil + 2 more2026-02-20🤖 cs.AI

Anomaly-Aware YOLO: A Frugal yet Robust Approach to Infrared Small Target Detection

El artículo presenta AA-YOLO, un enfoque frugal y robusto que integra una prueba estadística de detección de anomalías en el cabezal de detección de YOLO para mejorar la identificación de objetivos pequeños en imágenes infrarrojas, reduciendo las falsas alarmas y manteniendo un alto rendimiento incluso con datos limitados o en modelos ligeros.

Alina Ciocarlan, Sylvie Le Hégarat-Mascle, Sidonie Lefebvre2026-02-20💻 cs

LayerSync: Self-aligning Intermediate Layers

El artículo presenta LayerSync, un método autocongruente y sin sobrecarga que mejora la calidad de generación y la eficiencia del entrenamiento de modelos de difusión al regularizar sus representaciones intermedias más débiles mediante las más semánticamente ricas, logrando aceleraciones significativas sin requerir modelos preentrenados ni datos adicionales.

Yasaman Haghighi, Bastien van Delft, Mariam Hassan + 1 more2026-02-20🤖 cs.LG

pi-Flow: Policy-Based Few-Step Generation via Imitation Distillation

El artículo presenta pi-Flow, un modelo de flujo basado en políticas que mediante una nueva técnica de distilación por imitación logra una generación rápida en pocos pasos sin sacrificar la calidad ni la diversidad, superando a los métodos anteriores en métricas clave como FID.

Hansheng Chen, Kai Zhang, Hao Tan + 3 more2026-02-20🤖 cs.AI

A Study on Inference Latency for Vision Transformers on Mobile Devices

Este estudio analiza cuantitativamente la latencia de inferencia de transformadores de visión en dispositivos móviles mediante la comparación con redes neuronales convolucionales, generando un dataset predictivo que permite estimar con precisión el rendimiento de arquitecturas ViT en diversas plataformas.

Zhuojin Li, Marco Paolieri, Leana Golubchik2026-02-20🤖 cs.LG

Improving segmentation of retinal arteries and veins using cardiac signal in doppler holograms

Este trabajo propone un método eficaz para la segmentación de arterias y venas retinianas en hologramas Doppler que, al integrar características de la señal cardíaca en arquitecturas estándar como U-Net, logra un rendimiento comparable a modelos complejos y desbloquea el potencial del aprendizaje profundo para el análisis cuantitativo de la hemodinámica retiniana.

Marius Dubosc, Yann Fischer, Zacharie Auray + 4 more2026-02-20🤖 cs.AI

INQUIRE-Search: Interactive Discovery in Large-Scale Biodiversity Databases

El artículo presenta INQUIRE-Search, un sistema de código abierto que utiliza lenguaje natural para permitir a los científicos buscar, verificar y analizar fenómenos ecológicos complejos en grandes bases de datos de imágenes de biodiversidad como iNaturalist, logrando una eficiencia de descubrimiento significativamente superior a la inspección manual y estableciendo un nuevo paradigma para la investigación científica escalable.

Edward Vendrow, Julia Chae, Rupa Kurinchi-Vendhan + 10 more2026-02-20💻 cs

Structural Prognostic Event Modeling for Multimodal Cancer Survival Analysis

El artículo presenta SlotSPE, un marco basado en "slots" que comprime datos multimodales de cáncer en eventos pronósticos estructurales discretos para mejorar la precisión y la interpretabilidad de la predicción de supervivencia mediante la modelización eficiente de interacciones intra e intermodales.

Yilan Zhang, Li Nanbo, Changchun Yang + 2 more2026-02-20💻 cs

Restrictive Hierarchical Semantic Segmentation for Stratified Tooth Layer Detection

Este trabajo presenta un marco general de segmentación semántica jerárquica y restrictiva que integra explícitamente la anatomía dental mediante predicción recurrente y condicionamiento de características, logrando una detección más precisa y clínicamente coherente de las capas de los dientes en radiografías panorámicas, especialmente en escenarios con datos limitados.

Ryan Banks, Camila Lindoni Azevedo, Hongying Tang + 1 more2026-02-20🤖 cs.AI

Improved Object-Centric Diffusion Learning with Registers and Contrastive Alignment

El artículo presenta CODA, un marco de aprendizaje centrado en objetos que mejora la detección y generación de imágenes al combinar slots de registro para reducir la interferencia y una pérdida de alineación contrastiva para fortalecer la correspondencia entre los objetos y la imagen.

Bac Nguyen, Yuhta Takida, Naoki Murata + 4 more2026-02-20🤖 cs.AI

Tuning-free Visual Effect Transfer across Videos

RefVFX es un marco de transferencia de efectos visuales libre de ajuste que utiliza un nuevo conjunto de datos automatizado y un modelo condicionado por referencia para aplicar efectos temporales complejos de un video de referencia a un video o imagen objetivo con coherencia visual y temporal superior a los métodos basados únicamente en texto.

Maxwell Jones, Rameen Abdal, Or Patashnik + 4 more2026-02-20💻 cs

MDAFNet: Multiscale Differential Edge and Adaptive Frequency Guided Network for Infrared Small Target Detection

El artículo presenta MDAFNet, una red de detección de objetivos pequeños en infrarrojos que integra módulos de borde diferencial multiescala y mejora adaptativa de características en doble dominio para superar la degradación de bordes y la interferencia de ruido en métodos existentes.

Shuying Li, Qiang Ma, San Zhang + 2 more2026-02-20💻 cs

AtlasPatch: Efficient Tissue Detection and High-throughput Patch Extraction for Computational Pathology at Scale

AtlasPatch es un marco de código abierto y altamente eficiente que combina la detección de tejidos basada en modelos fundacionales con la extracción de parches de alto rendimiento para superar los cuellos de botella en el preprocesamiento de imágenes de diapositivas completas en patología computacional a gran escala.

Ahmed Alagha, Christopher Leclerc, Yousef Kotp + 12 more2026-02-20🧬 q-bio

Di3PO - Diptych Diffusion DPO for Targeted Improvements in Image Generation

El artículo presenta Di3PO, un nuevo método que mejora la eficiencia del ajuste de preferencia en modelos de difusión de texto a imagen mediante la generación de pares de imágenes positivos y negativos que aíslan regiones específicas para su mejora mientras mantienen estable el contexto circundante, demostrando resultados superiores en la tarea de renderizado de texto.

Sanjana Reddy, Ishaan Malhi, Sally Ma + 1 more2026-02-20🤖 cs.AI

Universal Anti-forensics Attack against Image Forgery Detection via Multi-modal Guidance

El artículo presenta ForgeryEraser, un marco de ataque anti-forense universal que explota la dependencia compartida de los modelos visión-idioma en los detectores de contenido generado por IA para eliminar las huellas de falsificación mediante una guía multimodal que alinea las imágenes falsificadas con anclajes de texto auténticos.

Haipeng Li, Rongxuan Peng, Anwei Luo + 3 more2026-02-20💻 cs

VFace: A Training-Free Approach for Diffusion-Based Video Face Swapping

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.

Sanoojan Baliah, Yohan Abeysinghe, Rusiru Thushara + 4 more2026-02-20💻 cs

MolmoSpaces: A Large-Scale Open Ecosystem for Robot Navigation and Manipulation

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.

Yejin Kim, Wilbert Pumacay, Omar Rayyan + 23 more2026-02-20🤖 cs.AI

← Anterior Siguiente →