10072 artículos
El artículo presenta Em-Garde, un marco innovador que desacopla la comprensión semántica de la percepción en streaming mediante un generador de propuestas guiado por instrucciones y un módulo de coincidencia ligero, logrando así respuestas proactivas más precisas y eficientes en la comprensión de video bajo restricciones computacionales estrictas.
Este artículo presenta SignAgent, un nuevo marco de agentes basado en modelos de lenguaje grande que automatiza la anotación lingüística y la curación de datos de la lengua de señas, superando las limitaciones de los métodos tradicionales al coordinar herramientas especializadas para generar conjuntos de datos a gran escala y fonológicamente conscientes.
Este trabajo presenta DROID-SLAM in the Wild, un sistema de SLAM RGB robusto y en tiempo real que logra un seguimiento preciso en entornos dinámicos y desordenados estimando la incertidumbre por píxel mediante inconsistencias de características visuales, superando las limitaciones de los métodos tradicionales que asumen escenas estáticas.
Este trabajo presenta el conjunto de datos LSMD y la red MSCNet para mejorar la detección de cambios pequeños en edificios mediante la fusión de imágenes RGB y NIR, superando las limitaciones de los métodos actuales al abordar fluctuaciones de iluminación y ambigüedad semántica.
El artículo presenta SAVeS, un marco y una métrica que demuestran que las decisiones de seguridad de los modelos de visión-lingüística son altamente vulnerables a manipulaciones semánticas simples, revelando que estas dependen de asociaciones aprendidas en lugar de una comprensión visual fundamentada.
Este trabajo presenta TAU-R1, un modelo de lenguaje visual de dos capas diseñado para comprender anomalías en el tráfico, el cual se basa en el nuevo conjunto de datos Roundabout-TAU y una estrategia de entrenamiento específica para mejorar la clasificación y el razonamiento de eventos anómalos en sistemas de transporte inteligentes.
El artículo presenta CustomTex, un marco novedoso que genera mapas de textura de alta fidelidad para escenas 3D interiores mediante un enfoque de doble destilación guiado por imágenes de referencia, logrando un control preciso a nivel de instancia y una calidad visual superior en comparación con los métodos existentes.
Este trabajo demuestra que los clasificadores generativos basados en modelos autoregresivos pueden superar a los modelos de difusión y ser hasta 25 veces más eficientes al eliminar la restricción de un orden de tokens fijo mediante el uso de modelos de "cualquier orden" que promedian múltiples secuencias para obtener una señal de clasificación más robusta.
El artículo presenta GSMem, un marco de exploración y razonamiento corporativo *zero-shot* que utiliza la salpicadura gaussiana 3D (3DGS) como memoria espacial persistente para permitir la recitación espacial y la generación de vistas óptimas, mejorando así la localización de objetivos y la cobertura en tareas de navegación y respuesta a preguntas.
El marco ADAPT es un método sin entrenamiento que mejora la generación de conceptos compuestos raros en modelos de difusión mediante la planificación determinista de prompts y la alineación semántica utilizando puntuaciones de atención y componentes ortogonales, logrando un control preciso sin comprometer la integridad visual.