50 artículos
Este estudio presenta un método innovador basado en espectrogramas y redes neuronales convolucionales que supera a las técnicas tradicionales de coeficientes cepstrales en frecuencia mel para la clasificación multietiqueta de sonidos ambientales en entornos complejos de Asia del Sur, demostrando su superioridad mediante validación en los conjuntos de datos SAS-KIIT y UrbanSound8K.
Este trabajo presenta y evalúa un sistema de transmisión de nubes de puntos dinámicas que utiliza transcodificación bajo demanda, demostrando mediante estrategias de almacenamiento en caché y transcodificación especulativa cómo se puede reducir significativamente la carga de procesamiento para escalar el servicio a un mayor número de clientes simultáneos sin comprometer la experiencia del usuario.
Este trabajo presenta un marco de incertidumbre relativista de datos (DRU) que aborda la escasez de datos y la degradación por baja iluminación en imágenes de paisajes de anime, logrando una mejora perceptual y estética superior a los métodos existentes al cuantificar y aprovechar dinámicamente la incertidumbre de la iluminación.
El paper presenta V-Skip, un método que optimiza el razonamiento multimodal mediante un mecanismo de doble vía que evita la "amnesia visual" al anclar tokens visualmente relevantes, logrando una aceleración de 2,9 veces sin sacrificar la precisión.
El artículo presenta GOT-JEPA, un marco de preentrenamiento predictivo que adapta modelos de seguimiento mediante una arquitectura de incrustación conjunta para mejorar la generalización y el manejo de oclusiones, complementado por OccuSolver para refinar la estimación de visibilidad y los patrones de oclusión.
El artículo presenta AMB-DSGDN, una red neuronal que mejora el reconocimiento de emociones multimodales mediante la construcción de grafos semánticos dinámicos específicos por modalidad y mecanismos de atención diferencial y balanceo adaptativo para eliminar el ruido y equilibrar las contribuciones de texto, audio y visión.
El artículo presenta PRoADS, un marco de esteganografía de audio basado en modelos de difusión que logra una seguridad probada y una alta robustez mediante la proyección de mensajes secretos en el ruido inicial y la optimización de la inversión mediante técnicas de Latent Optimization y Backward Euler, logrando una tasa de error de bits extremadamente baja del 0,15% incluso bajo compresión MP3.
El artículo presenta G-STAR, un sistema de reconocimiento automático de habla (ASR) con atribución de hablantes de extremo a extremo que combina un módulo de seguimiento temporal con un modelo de lenguaje grande (Speech-LLM) para generar transcripciones etiquetadas por hablante con consistencia global en conversaciones largas y superpuestas.
El artículo presenta P-GSVC, el primer marco de salpicadura gaussiana 2D progresiva en capas que ofrece una solución unificada para la representación escalable de imágenes y videos mediante una estrategia de entrenamiento conjunto que mejora significativamente la calidad de la reconstrucción progresiva en comparación con los métodos secuenciales.
El artículo presenta las "Reading Activity Traces" (RATs), un marco que revaloriza la lectura como una actividad creativa en sí misma al hacer visibles los procesos de navegación, interpretación y curación que las herramientas automatizadas suelen ocultar, ilustrado mediante una implementación especulativa en Wikipedia llamada WikiRAT.
El paper presenta V2M-Zero, un enfoque de generación de música a partir de video sin pares de datos que logra una alineación temporal precisa al extraer y transferir estructuras de cambio temporal independientes dentro de cada modalidad mediante curvas de eventos, superando significativamente a los métodos basados en datos pareados.
Este artículo propone un sistema de detección de alucinaciones visuales en imágenes de personajes de dibujos animados que utiliza modelos de lenguaje-visión con aprendizaje en contexto y guías de pose, logrando mejoras significativas en la precisión respecto a los métodos basados únicamente en imágenes RGB.
Este artículo introduce un conjunto de pruebas basadas en mediciones psicofísicas de la visión de bajo nivel para evaluar la capacidad de 34 métricas de calidad de imagen y video existentes para modelar aspectos clave de la percepción humana, como la sensibilidad al contraste y el enmascaramiento, revelando limitaciones y patrones de comportamiento que no se detectan con los protocolos de evaluación estándar.
Este trabajo propone un marco de reconocimiento de habla audiovisual (AVSR) robusto y sin máscaras que integra un módulo de fusión basado en Conformer para refinar implícitamente las características de audio ruidosas mediante asistencia visual, preservando la integridad semántica y superando a los métodos basados en máscaras en el benchmark LRS3.
El artículo presenta Omni-C, un único codificador Transformer denso que comprime modalidades heterogéneas en representaciones compartidas mediante preentrenamiento contrastivo, logrando un rendimiento competitivo y una mayor eficiencia de memoria al eliminar la necesidad de arquitecturas complejas como la de expertos múltiples (MoE) o supervisiones emparejadas.
El artículo presenta VDCook, un sistema operativo de datos de video autoevolutivo que permite a investigadores y equipos especializados generar, actualizar y gestionar conjuntos de datos de entrenamiento para modelos multimodales mediante consultas en lenguaje natural y un mecanismo automatizado de ingestión basado en el Protocolo de Contexto de Modelo (MCP).
Este artículo examina los desafíos y oportunidades que la era de la IA plantea para la interacción humano-datos y la visualización, destacando la necesidad de trascender las métricas tradicionales y redefinir los roles humanos y artificiales para abordar problemas como la incertidumbre, la latencia y la escalabilidad en el análisis de datos no estructurados.
El artículo presenta Alkaid, un esquema de esteganografía con seguridad demostrable que logra una recuperación determinista de mensajes frente a errores de edición mediante codificación con restricciones de distancia, superando a los métodos actuales en robustez, capacidad y eficiencia.
El artículo presenta SGMD, un modelo de difusión de movimiento guiado por estilo que integra características musicales y prompts de estilo para generar secuencias de danza realistas, coherentes y controlables mediante mecanismos de enmascaramiento espacio-temporal.
El artículo presenta altiro3D, una biblioteca de código abierto que genera experiencias 3D realistas y síntesis de vistas novedosas a partir de una sola imagen o video plano, utilizando estimación de profundidad, técnicas de inpainting y algoritmos de proyección para crear múltiples puntos de vista visualizables en pantallas LCD de libre visión.