10072 artículos
Este artículo presenta AAPB, un marco de aprendizaje libre que mejora la generación y edición de imágenes difusivas en conceptos raros mediante un coeficiente adaptativo óptimo, derivado de la identidad de Tweedie, para equilibrar dinámicamente los prompts auxiliares y objetivo y garantizar una fidelidad semántica y estructural superior.
Este trabajo presenta MAPG, un marco de agentes probabilísticos que mejora la navegación visión-lenguaje descomponiendo consultas complejas en subcomponentes estructurados para lograr una comprensión métrica y semántica precisa en entornos 3D, superando las limitaciones de los modelos de visión y lenguaje actuales y validándose mediante nuevos benchmarks y demostraciones en robots reales.
El marco ARIADNE presenta un enfoque innovador que combina el ajuste de preferencias mediante DPO para la percepción topológica y el razonamiento basado en RL para la localización de estenosis, logrando una detección de vasos coronarios más coherente y fiable que supera las limitaciones de las funciones de pérdida tradicionales en angiografía.
Este trabajo presenta FLAC, un método probabilístico basado en flujo de matching que sintetiza respuestas de impulso de habitación (RIR) acústicamente consistentes en entornos nuevos a partir de una sola muestra, superando a los enfoques actuales y proponiendo una nueva métrica de evaluación llamada AGREE.
El artículo presenta Splat2BEV, un marco que mejora la percepción en vista cenital (BEV) para la conducción autónoma al integrar una representación explícita de la geometría 3D mediante la técnica de 3D Gaussian Splatting, logrando así un rendimiento superior en comparación con los métodos existentes.
El artículo presenta FASTER, un método que reduce drásticamente la latencia de reacción en modelos de Visión-Lenguaje-Acción mediante un muestreo de flujo adaptativo y una arquitectura cliente-servidor, permitiendo una ejecución en tiempo real y altamente responsiva en robots físicos.
Este trabajo demuestra que los modelos de visión y lenguaje son selectivamente ciegos debido a cómo el encuadre lingüístico reduce su atención visual, y propone un método de ajuste de prompts con tokens aprendibles para corregir esta mala asignación de atención y mejorar el rendimiento.
El artículo presenta RPiAE, un autoencoder basado en representaciones que, mediante una regularización de pivote y un entrenamiento por etapas, mejora tanto la generación como la edición de imágenes al lograr latentes compactos con alta fidelidad de reconstrucción y preservación semántica, superando a los tokenizadores visuales existentes.
Este trabajo demuestra que los modelos de espacio de estado (SSM) pueden servir como una alternativa robusta y eficiente a los transformadores visuales en los modelos de lenguaje y visión grandes, logrando un rendimiento superior o competitivo en tareas de comprensión visual y localización con una escala de modelo significativamente menor.
DreamPartGen es un marco de generación 3D basado en texto que logra una síntesis coherente y semánticamente fundamentada mediante el uso de latentes duales para geometría y apariencia, latentes semánticos relacionales para las dependencias entre partes y un proceso de denoising sincronizado que asegura la consistencia mutua.