2768 artículos
El artículo presenta MM-Zero, el primer marco basado en aprendizaje por refuerzo que permite la autoevolución de modelos de visión y lenguaje desde cero sin datos, mediante un sistema de tres roles especializados (propuestor, codificador y solucionador) que generan conceptos visuales abstractos, crean imágenes ejecutables y realizan razonamiento multimodal.
Este trabajo propone un marco de aprendizaje métrico consciente de la geometría que utiliza descriptores de ángulos interarticulares invariantes para superar la variabilidad de dominio y lograr un reconocimiento de lenguaje de señas de pocos ejemplos entre idiomas con alta precisión, incluso en escenarios de recursos limitados.
El artículo presenta TubeMLLM, un modelo fundacional unificado que combina comprensión estructurada y generación controlable mediante priores topológicos en lenguaje natural para superar las inconsistencias topológicas en el modelado de anatomía vascular, demostrando un rendimiento superior y una capacidad de transferencia cero-shot en múltiples conjuntos de datos y modalidades.
Este artículo propone una nueva función de pérdida para entrenar una red neuronal convolucional distribuida (DisCNN) que extrae exclusivamente características de una clase positiva específica mapeándolas a un conjunto compacto, logrando así una arquitectura ligera con excelente generalización para la detección de objetos en fondos complejos.
El artículo presenta UniField, un marco unificado que mejora la calidad de las imágenes de resonancia magnética (MRI) al aprovechar modelos fundacionales 3D preentrenados y un mecanismo de rectificación espectral consciente del campo magnético para superar las limitaciones de generalización y escasez de datos, respaldado por la publicación del conjunto de datos multi-campo más grande hasta la fecha.
El artículo presenta HelixTrack, un método basado en eventos que rastrea objetos tipo hélice y estima su RPM en tiempo real, junto con la introducción del nuevo conjunto de datos TQE para abordar la falta de datos públicos en esta tarea.
El artículo presenta BridgeDiff, un marco basado en difusión que supera las limitaciones de los métodos anteriores para la síntesis de prendas planas en el intento virtual de ropa al unir explícitamente las observaciones humanas con la estructura de la prenda mediante módulos de puente de condición y restricciones estructurales, logrando así un rendimiento superior en benchmarks estándar.
El artículo presenta RAE-NWM, un modelo de mundo para navegación que opera en un espacio de representación visual densa basado en características DINOv2 y utiliza un transformador de difusión condicional para mejorar la estabilidad estructural y la precisión de las acciones en comparación con los métodos latentes tradicionales.
Este artículo presenta Geometric Semantic Decoupling (GSD), un módulo sin parámetros que mejora la generalización de los detectores de imágenes generadas por IA al eliminar las dependencias de priores semánticos dominantes y forzar al modelo a centrarse en evidencia forense invariante.
El artículo presenta Poly-DETR, un transformador de detección de polígonos que reformula la segmentación de instancias mediante regresión de vértices en representación polar para resolver el conflicto entre entradas de alta resolución y la inferencia en tiempo real, logrando mejoras significativas en precisión y eficiencia en comparación con los métodos basados en máscaras.
Este estudio presenta un enfoque de múltiples modelos basado en redes neuronales preentrenadas y personalizadas, junto con técnicas de aumento de datos y aprendizaje por transferencia, para mejorar la detección de señales de tráfico, vehículos y carriles, así como la clonación de comportamiento, con el fin de aumentar la robustez y fiabilidad de los sistemas de conducción autónoma.
El artículo presenta DiP, un nuevo marco de aprendizaje de representaciones para grafos multimodales que utiliza nodos pseudo específicos de cada modalidad y rutas de información dinámicas para lograr una propagación de mensajes adaptativa, expresiva y eficiente con complejidad lineal, superando consistentemente a los métodos existentes en diversas tareas y benchmarks.
Este trabajo introduce un marco de navegación visión-lenguaje a gran escala derivado de videos web que, mediante representaciones geométricas implícitas para extraer información espacial directamente de imágenes RGB sin reconstrucción 3D, supera las limitaciones de los datos simulados y establece nuevos récords de rendimiento en múltiples benchmarks.
El artículo presenta ForgeDreamer, un marco innovador para la generación industrial de texto a 3D que supera las limitaciones actuales mediante un mecanismo de ensamblaje LoRA multiexperto para evitar interferencias de conocimiento y una mejora geométrica basada en hipergrafos de vistas cruzadas para garantizar consistencia estructural de nivel de fabricación.
Este trabajo propone nuevas estrategias de entrenamiento y funciones de pérdida que acortan las listas de gaussianas necesarias para el renderizado mediante la reducción de sus escalas y la aplicación de una restricción de entropía, logrando así acelerar significativamente el aprendizaje de los Gaussianos 3D sin sacrificar la calidad visual.
El artículo presenta SVOR, un marco robusto que logra la eliminación estable de objetos en videos bajo condiciones imperfectas mediante tres diseños clave: MUSE para el manejo de movimientos abruptos, DA-Seg para la localización consciente del desruido y un entrenamiento curricular en dos etapas, superando así los límites de los modelos existentes y alcanzando resultados de vanguardia en escenarios del mundo real.
Este trabajo presenta el primer modelo de aprendizaje profundo para la descomposición convexa en entornos abiertos, que aprende campos de características continuas mediante un objetivo auto-supervisado basado en la geometría para generar descomposiciones de alta calidad en una amplia variedad de representaciones 3D.
El artículo presenta CogBlender, un marco que permite la intervención continua y multidimensional de propiedades cognitivas (como valencia, excitación, dominio y memorabilidad) en la generación de imágenes a partir de texto, logrando alinear el contenido visual con la intención psicológica mediante la interpolación de campos de velocidad en un espacio cognitivo.
El artículo presenta MDTrack, un marco novedoso para el seguimiento de objetos multimodal que supera las limitaciones de las estrategias de fusión uniformes mediante una fusión adaptativa basada en expertos y una propagación temporal desacoplada utilizando modelos de espacio de estado, logrando así un rendimiento superior en cinco benchmarks.
El artículo presenta DenoiseSplat, un método de proyección gaussiana 3D de alimentación directa que supera a enfoques existentes en la reconstrucción de escenas ruidosas mediante el uso de un nuevo conjunto de datos de referencia ruidoso-limpio y un entrenamiento supervisado únicamente con renderizados 2D limpios.