2787 artículos
Este estudio presenta un algoritmo que fusiona imágenes de resonancia magnética multimodal (T1, T2, T1ce y FLAIR) mediante técnicas de segmentación 2D/3D con U-Net y promedios ponderados, logrando una clasificación de subclases de gliomas con una precisión del 99,25% utilizando un modelo ResNet50.
El artículo presenta LOOP, un nuevo método de aprendizaje por refuerzo para el ajuste fino de modelos de difusión texto-a-imagen que combina técnicas de reducción de varianza de REINFORCE con la robustez de PPO para lograr un mejor equilibrio entre eficiencia de muestreo y rendimiento final.
Este trabajo propone un modelo de aprendizaje profundo geométrico basado en transformadores que utiliza mallas tetraédricas y puntos de referencia anatómicos para mejorar el diagnóstico de la enfermedad de Alzheimer y predecir la positividad de amiloide cerebral en pacientes de riesgo medio, evitando así la necesidad de costosos y invasivos escáneres PET.
El artículo presenta Snapmoji, un sistema que genera instantáneamente avatares 3D personalizables y animables en dispositivos móviles mediante una técnica de "dual-stylization" que adapta la identidad del usuario a un estilo principal y luego aplica un estilo secundario, superando las limitaciones de las plataformas existentes.
Este artículo presenta SceneEval, un marco de evaluación y un nuevo benchmark (SceneEval-500) diseñados para medir de manera integral la coherencia semántica en la síntesis de escenas interiores 3D condicionadas por texto, abordando tanto los requisitos explícitos del usuario como las expectativas implícitas de plausibilidad que las métricas actuales ignoran.
Este trabajo propone un método de Aprendizaje Compatible hacia Atrás (BCL) que relaja las estrictas restricciones de alineación mediante la introducción de perturbaciones en los prototipos de características antiguas, preservando así la capacidad discriminativa del nuevo modelo sin necesidad de costosos procesos de recálculo de embeddings.
Este trabajo presenta un método unificado para la reconstrucción robusta de dos manos a partir de imágenes monoculares que combina la alineación de priores estructurales heterogéneos de modelos fundacionales en 2D con un modelo de difusión libre de penetración en 3D para lograr interacciones físicamente creíbles y resistentes a oclusiones.
Este trabajo propone un modelo de completado de instancias basado en nubes de puntos que integra restricciones de escena mediante un mecanismo de atención cruzada para recuperar geometrías faltantes con mayor fidelidad y plausibilidad, validado mediante un nuevo dataset llamado ScanWCF.
El artículo presenta LEL, un marco de aprendizaje conjunto con restricciones de continuidad de Lipschitz que mejora la estabilidad, precisión y robustez del reconocimiento de emociones basado en EEG intra-sujeto, logrando resultados superiores en tres conjuntos de datos públicos.
Este artículo presenta un marco de comunicación orientado a tareas que utiliza un codificador O-VIB con determinación automática de relevancia y restricciones ortogonales para extraer características multivista compactas y lograr una localización visual precisa en entornos urbanos con limitaciones de ancho de banda y recursos.
El artículo presenta DeepSparse, el primer modelo fundacional para la reconstrucción de CBCT de vistas escasas, que utiliza la arquitectura DiCE y el marco HyViP para lograr una alta calidad de imagen con menor radiación y una mejor generalización que los métodos existentes.
El artículo presenta M³CAD, un benchmark integral multimodal con 204 secuencias diseñado para impulsar la investigación en conducción autónoma cooperativa genérica y multi-tarea, incluyendo una nueva estrategia de fusión que equilibra la eficiencia de comunicación con la precisión de la percepción.
El artículo presenta FoldNet, un marco que genera un conjunto de datos sintético basado en keypoints y utiliza el algoritmo KG-DAgger para entrenar políticas de aprendizaje por imitación en bucle cerrado que logran un 75% de éxito en tareas reales de doblado de prendas.
MTVCraft es un marco pionero que tokeniza secuencias de movimiento 3D en tokens de movimiento 4D para animar personajes arbitrarios, superando las limitaciones de los métodos basados en imágenes 2D mediante una generalización cero-shot superior y un control más flexible en entornos complejos.
Los autores proponen un marco unificado de meta-aprendizaje profundo basado en la desenrolladura de algoritmos de optimización convergente que mejora significativamente la reconstrucción de resonancia magnética acelerada y la síntesis de modalidades cruzadas, logrando una adaptación rápida y generalizable a patrones de muestreo no vistos y cambios de dominio mediante la fusión de fidelidad de datos y regularización no convexa.
El artículo presenta EgoDex, el conjunto de datos más grande y diverso hasta la fecha de manipulación hábil humana grabada con visión egocéntrica mediante Apple Vision Pro, que incluye 829 horas de video con anotaciones de pose de manos en 3D para 194 tareas cotidianas, con el objetivo de abordar la escasez de datos en el aprendizaje por imitación y fomentar avances en robótica y visión por computadora.
El artículo presenta Vid2World, un enfoque general que transforma modelos de difusión de video preentrenados en modelos de mundo interactivos mediante la causalización de su arquitectura y un mecanismo de guía de acciones, permitiendo así la generación autoregresiva de alta fidelidad para la toma de decisiones en entornos complejos.
Este artículo presenta un marco innovador de "solver en el bucle" que combina un prior generativo 3D preentrenado con un solver riguroso de ecuaciones integrales de frontera para reconstruir interfaces complejas en tomografía de impedancia eléctrica, logrando una alta precisión geométrica y eficiencia de datos al imponer las leyes físicas como restricciones estrictas en lugar de penalizaciones suaves.
El artículo presenta ViTaPEs, una arquitectura basada en transformadores que introduce un mecanismo de inyección posicional en dos etapas (local y global) para alinear eficazmente las modalidades visual y táctil, logrando un rendimiento superior en tareas de reconocimiento y generalización cero en escenarios no vistos sin depender de modelos preentrenados.
Este artículo presenta GLMask, un enfoque de aprendizaje semi-autosupervisado que transforma la segmentación semántica en segmentación de instancias con mínima anotación manual, logrando un rendimiento superior al estado del arte en la detección de espigas de trigo y en el conjunto de datos COCO.