10079 artículos
Este trabajo propone un método basado en las propiedades espectrales de la imagen para diseñar horarios de ruido por instancia en modelos de difusión, eliminando pasos redundantes y mejorando la calidad generativa, especialmente en configuraciones con pocos pasos.
Este trabajo presenta VOR, un nuevo conjunto de datos a gran escala diseñado para abordar la falta de ejemplos sistemáticos de efectos de objetos, y propone EffectErase, un método innovador que combina la eliminación y la inserción de objetos mediante aprendizaje recíproco para lograr una borrado de alta calidad de objetos dinámicos y sus efectos visuales en videos.
El artículo presenta MultiGP, un método de renderizado inverso generativo que descompone una sola imagen en reflectancia, textura e iluminación compartida para múltiples objetos, aprovechando la coherencia de la iluminación común mediante una arquitectura en cascada, una guía coordinada para la difusión, atención axial y un ControlNet de extracción de texturas.
El artículo presenta un marco de tres etapas que integra modelos de difusión y tokens discretos mediante el tokenizador MoTok, logrando una generación de movimiento humana con alta fidelidad y control semántico y cinemático superior, tal como se demuestra en el conjunto de datos HumanML3D.
SAMA es un marco innovador que mejora la edición de video guiada por instrucciones mediante la factorización del proceso en anclaje semántico y alineación de movimiento, logrando un equilibrio superior entre modificaciones precisas y preservación de la fidelidad temporal sin depender de priores externos.
NavTrust es el primer benchmark unificado que evalúa la fiabilidad de la navegación corporal bajo diversas corrupciones realistas en modalidades visuales e instrucciones, revelando brechas críticas de robustez y validando estrategias de mitigación mediante pruebas en robots reales.
MonoArt es un marco unificado que logra la reconstrucción 3D articulada a partir de una sola imagen mediante un razonamiento estructural progresivo que infiere de manera estable la geometría y los parámetros de movimiento sin depender de plantillas externas o múltiples etapas.
El artículo presenta CubiD, el primer modelo de generación discreta para representaciones de alta dimensión que utiliza un mecanismo de enmascaramiento fino para lograr un rendimiento superior en la generación visual y preservar las capacidades de comprensión, allanando el camino hacia arquitecturas multimodales unificadas.
El artículo presenta Matryoshka Gaussian Splatting (MGS), un marco de entrenamiento que habilita un nivel de detalle continuo para la representación 3D mediante Gaussianas sin sacrificar la calidad de renderizado a máxima capacidad, logrando esto mediante una estrategia de entrenamiento con presupuesto estocástico que optimiza un único conjunto ordenado de gaussianas.
El artículo presenta VEGA-3D, un marco innovador que aprovecha los priores espaciales implícitos de los modelos de generación de video para dotar a los modelos de lenguaje multimodal de capacidades de razonamiento geométrico y comprensión espacial sin necesidad de supervisión explícita en 3D.