50 artículos
Este artículo presenta CDGLT, un marco eficiente y de alto rendimiento para la identificación de metáforas multimodales que utiliza el ajuste de Concept Drift y LayerNorm para superar las limitaciones de los métodos existentes y reducir los costos computacionales.
Este artículo propone y evalúa un enfoque innovador que utiliza avatares virtuales y música generada por IA para transformar los sílabos tradicionales en presentaciones cantadas, logrando así mejorar significativamente la atención, la retención y el recuerdo de la información clave por parte de los estudiantes.
Este artículo presenta un marco de mezcla de expertos condicionado por el ruido que mejora la verificación de hablantes en entornos ruidosos mediante el descomposición del espacio de características en subespacios especializados, un mecanismo de enrutamiento inteligente y un protocolo de aprendizaje curricular.
Este trabajo presenta el primer marco formal para Modelos de Mundo Audiovisuales (AVWM), introduciendo el conjunto de datos AVW-4k y el modelo AV-CDiT para simular dinámicas ambientales sincronizadas en audio y visión, lo que mejora significativamente la planificación y navegación de agentes en entornos multisensoriales.
El artículo presenta el Reto de Gran Expresión Micro (MEGC) 2026, una iniciativa que introduce dos nuevas tareas de respuesta a preguntas visuales (ME-VQA y ME-LVQA) para evaluar la capacidad de los modelos de lenguaje y visión grandes en el análisis y razonamiento temporal de expresiones faciales micro en secuencias de video cortas y largas.
El artículo presenta VoxEmo, un benchmark integral para la evaluación de modelos de lenguaje de voz en el reconocimiento de emociones, que aborda desafíos como la variabilidad de los prompts y la ambigüedad humana mediante un conjunto de datos multilingüe, un protocolo de etiquetas suaves y estrategias de consenso para alinear mejor los resultados generativos con la percepción subjetiva humana.
Este estudio analiza cómo la latencia afecta la fluidez de la interacción y la presencia social en conferencias de realidad virtual mediante experimentos subjetivos comparativos con la videollamada tradicional, proporcionando insights para optimizar estos sistemas.
Este artículo presenta el TPIFM, un modelo consciente de la tarea que evalúa la fluidez de la interacción perceptiva en la colaboración remota de realidad aumentada clasificando las tareas según su diferencia apenas perceptible (JND) para predecir cómo los impedimentos de la red afectan la experiencia del usuario.
Este estudio investiga cómo la latencia afecta la calidad de experiencia (QoE) en pizarras virtuales de realidad en red, clasificándola en aspectos pragmáticos y hedónicos, y analizando su impacto a través de diferentes modos de colaboración y configuraciones de plataformas (con y sin avatares) en comparación con una pizarra basada en PC.
El artículo presenta MORE-R1, un modelo innovador que utiliza aprendizaje por refuerzo y un proceso de entrenamiento en dos etapas para dotar a los Grandes Modelos Visuales-Lingüísticos de capacidades de razonamiento paso a paso y lograr un rendimiento superior en la tarea de extracción de relaciones multimodales entre objetos y entidades.
Este estudio propone un método impulsado por modelos de lenguaje grande para generar expresiones multimodales dinámicas en agentes pedagógicos de realidad virtual, demostrando mediante experimentos subjetivos que la alineación semántica entre el habla y los gestos mejora significativamente la experiencia de aprendizaje, la participación y la percepción de presencia social.
Este trabajo introduce el conjunto de datos DynHiL-EQA y el marco de entrenamiento DIVRR para abordar los desafíos de la respuesta a preguntas encarnadas en entornos dinámicos mediante la refinación de vistas y la selección de memoria, mejorando la robustez y la eficiencia en comparación con los métodos existentes.
El artículo presenta PiVOT, un nuevo mecanismo de visual prompting que aprovecha el modelo fundacional CLIP para generar y refinar dinámicamente indicaciones visuales en línea, mejorando así la capacidad de los rastreadores de objetos genéricos para suprimir distracciones y distinguir el objetivo de su entorno.
Este trabajo presenta la Tarea 5 del Desafío DCASE 2025, un nuevo benchmark de respuesta a preguntas sobre audio que abarca múltiples dominios acústicos para evaluar y mejorar las capacidades de razonamiento de los modelos de audio-lenguaje.
El artículo propone Q-BAR, un marco híbrido cuántico-clásico que utiliza circuitos cuánticos variacionales para detectar anomalías semánticas en publicaciones de bloggers con escasez de datos, logrando un alto rendimiento y evitando el sobreajuste mediante una eficiencia paramétrica superior a los métodos clásicos.
El artículo presenta EC-Net, un marco de hipergrafos hiperbólicos que utiliza incrustaciones en la bola de Poincaré y aprendizaje contrastivo para mejorar la recuperación de sentimientos y la comprensión multimodal de emociones, logrando mayor precisión y robustez ante ruido o datos faltantes.
El artículo presenta ModalImmune, un marco de entrenamiento que fortalece la inmunidad de los sistemas multimodales ante la pérdida o corrupción de canales de entrada mediante el colapso controlado de información modal durante el entrenamiento, logrando así representaciones conjuntas más robustas sin comprometer la estabilidad de la convergencia ni la capacidad de reconstrucción.
El artículo presenta TimeSpot, un nuevo benchmark que evalúa la capacidad de los modelos de visión y lenguaje para inferir atributos geográficos y temporales a partir de imágenes del mundo real, revelando que, aunque el ajuste fino mejora los resultados, los modelos actuales aún carecen de un razonamiento geo-temporal robusto y físicamente fundamentado.
El artículo presenta CONSTANT, un nuevo modelo de difusión para la generación de escritura a mano en un solo disparo que utiliza cuantización consciente del estilo y mejora de contraste de parches para capturar con precisión las características únicas de un escritor a partir de una sola imagen de referencia, superando a los métodos actuales en diversos idiomas.
Este trabajo propone un marco en cascada de dos etapas que genera videos de movimientos humanos complejos a partir de descripciones de texto mediante un modelo autoregresivo texto-huesos y un modelo de difusión video-huesos con DINO-ALF, complementado con un nuevo dataset sintético para superar las limitaciones actuales en la generación de acrobacias y movimientos dinámicos.