computer vision
Todas las noticias con este tag · Estados Unidos.
Ver estadísticas de este tema
Noticias por hora
Últimas 24 horas · hora argentina
Consultar los valores por hora
| Hora | Noticias |
|---|---|
| 3 nov 2026, 4:00 a. m. | 0 |
| 3 nov 2026, 5:00 a. m. | 0 |
| 3 nov 2026, 6:00 a. m. | 0 |
| 3 nov 2026, 7:00 a. m. | 0 |
| 3 nov 2026, 8:00 a. m. | 0 |
| 3 nov 2026, 9:00 a. m. | 0 |
| 3 nov 2026, 10:00 a. m. | 0 |
| 3 nov 2026, 11:00 a. m. | 0 |
| 3 nov 2026, 12:00 p. m. | 0 |
| 3 nov 2026, 1:00 p. m. | 0 |
| 3 nov 2026, 2:00 p. m. | 0 |
| 3 nov 2026, 3:00 p. m. | 0 |
| 3 nov 2026, 4:00 p. m. | 0 |
| 3 nov 2026, 5:00 p. m. | 0 |
| 3 nov 2026, 6:00 p. m. | 0 |
| 3 nov 2026, 7:00 p. m. | 0 |
| 3 nov 2026, 8:00 p. m. | 0 |
| 3 nov 2026, 9:00 p. m. | 0 |
| 3 nov 2026, 10:00 p. m. | 0 |
| 3 nov 2026, 11:00 p. m. | 0 |
| 4 nov 2026, 12:00 a. m. | 0 |
| 4 nov 2026, 1:00 a. m. | 0 |
| 4 nov 2026, 2:00 a. m. | 7 |
| 4 nov 2026, 3:00 a. m. | 0 |
| 4 nov 2026, 4:00 a. m. | 0 |
Noticias por día
Últimos 30 días, incluido hoy · hora argentina
Consultar los valores por día
| Día | Noticias |
|---|---|
| 2026-10-06 | 0 |
| 2026-10-07 | 0 |
| 2026-10-08 | 0 |
| 2026-10-09 | 0 |
| 2026-10-10 | 0 |
| 2026-10-11 | 0 |
| 2026-10-12 | 0 |
| 2026-10-13 | 0 |
| 2026-10-14 | 0 |
| 2026-10-15 | 0 |
| 2026-10-16 | 0 |
| 2026-10-17 | 0 |
| 2026-10-18 | 0 |
| 2026-10-19 | 0 |
| 2026-10-20 | 0 |
| 2026-10-21 | 0 |
| 2026-10-22 | 0 |
| 2026-10-23 | 0 |
| 2026-10-24 | 0 |
| 2026-10-25 | 0 |
| 2026-10-26 | 0 |
| 2026-10-27 | 0 |
| 2026-10-28 | 0 |
| 2026-10-29 | 0 |
| 2026-10-30 | 0 |
| 2026-10-31 | 0 |
| 2026-11-01 | 0 |
| 2026-11-02 | 0 |
| 2026-11-03 | 7 |
| 2026-11-04 | 7 |
Los gráficos cuentan por fecha de publicación y respetan los filtros. El archivo incluye todo el histórico.
Noticias de computer vision
14 noticias · De más nuevas a más antiguas.
arXiv Computer Science AIDescubriendo la adulación visual y las creencias divididas en VLMs
Se presenta un marco de diagnóstico de tres capas para evaluar cómo los Modelos de Lenguaje-Visión (VLMs) manejan entradas de imagen enmascaradas. El estudio clasifica las respuestas en cuatro modos, incluyendo Adulación Visual, Atajo Lingüístico, Ceguera Perceptual y Rechazo Robusto. Se encontró que el 28.1% de los modelos son de Adulación Visual, y que el escalado dentro de la generación afecta estos modos, aunque la generación más reciente tiende a eliminar la Adulación Visual.
Desentrañando referencias de imagen dual en modelos de difusión conscientes de la frecuencia para generación personalizada
Se propone el Dual-FDM para desentrañar referencias de imagen duales (personalización y estilo de color) en Modelos de Difusión Conscientes de la Frecuencia. Esto busca abordar la desalineación entre el texto y las referencias de imagen durante la generación de imágenes personalizadas. El método utiliza una estrategia de máscara en el dominio de la frecuencia para separar las bandas de frecuencia y modular adaptativamente los pasos de tiempo de eliminación del ruido. Los experimentos demuestran la superioridad de Dual-FDM sobre modelos de difusión existentes.
FlatLands: Completar el mapa de piso interior a partir de una única vista egocéntrica
Se presenta FlatLands, un conjunto de datos y punto de referencia para completar mapas de piso interior a partir de una única vista. El trabajo evalúa once modelos para completar mapas de transitabilidad métricos en vista aérea de pájaro (BEV). Los resultados indican que predecir el suelo casi en todas partes puede lograr un alto IoU, y que los conjuntos generativos superan al mejor modelo de una sola salida.
Muestreo de fotogramas condicionado por consulta para la comprensión de video de larga duración basado en MLLM
Se propone un marco de muestreo de fotogramas basado en la evidencia, motivado por la teoría de la información, para mejorar la comprensión de videos de larga duración con MLLMs. El método utiliza una red de puntuación de evidencia entrenada para seleccionar fotogramas relevantes, superando estrategias anteriores en benchmarks de comprensión de video. Los experimentos demuestran una mejora significativa en la selección de fotogramas con un presupuesto fijo.
Aprendizaje por refuerzo Multi-Axis Max@K para la diversidad representativa en la generación de texto a imagen
Se presenta MultiMaxPO, un método de post-entrenamiento basado en aprendizaje por refuerzo para modelos de difusión de texto a imagen. Este método busca mejorar la diversidad representativa de las imágenes generadas, midiendo qué tan bien las muestras cubren modos visuales como colores o categorías raciales. Se demuestra que MultiMaxPO mejora la puntuación de equidad en Stable Diffusion 3.5 Medium y FLUX.1-dev, manteniendo la calidad y la alineación con el texto.
TFusionOcc: Marco de fusión multi-sensor basado en primitivas T para predicción de ocupación semántica 3D
Se presenta TFusionOcc, un marco de fusión multi-sensor basado en primitivas T para la predicción de ocupación semántica 3D. El trabajo introduce primitivas T basadas en la distribución t y una arquitectura de fusión acoplada para integrar datos de cámara y LiDAR. Los experimentos demuestran un rendimiento competitivo y robusto en escenarios de corrupción en benchmarks como nuScenes y SemanticKITTI.
Modelos del mundo equivariantes de flujo: Memoria estructurada para entornos dinámicos
Se presenta el Modelado del Mundo Equivariante de Flujo, un marco que utiliza simetrías parametrizadas por el tiempo en una memoria latente para predecir dinámicas de manera estable y precisa a largo plazo. Este enfoque busca superar las limitaciones de los modelos existentes al mantener la coherencia de la información sobre regiones no observadas a medida que avanza el tiempo. Los resultados demuestran la superioridad de este marco sobre arquitecturas de modelos del mundo actuales en benchmarks de modelado de video.
GSExplorer: Generación interactiva de mundo con estado Gaussiano persistente 3D
Se presenta GSExplorer, un marco de generación-reconstrucción basado en un estado de mundo Gaussiano 3D persistente para la generación interactiva de mundos. Este sistema utiliza condiciones de renderizado y reconstrucción SLAM para asegurar la consistencia de la escena a lo largo de la exploración. El método demuestra un rendimiento superior en evaluaciones de WorldScore, logrando alta consistencia y control de cámara en extrapolaciones de múltiples pasos.
FOCUS: Retroalimentación de atención de bucle cerrado para una comprensión eficiente de lenguaje y visión
Se presenta FOCUS, un marco de tres capas sin entrenamiento diseñado para reducir las invocaciones de modelos de lenguaje-visión (VLM) al dirigir la atención hacia regiones semánticamente relevantes. Este método utiliza medidas de gating temporal para activar capturas solo cuando la escena cambia de manera significativa. Los resultados demuestran que FOCUS logra una alta precisión manteniendo la calidad del mejor *baseline* con una reducción significativa en las llamadas al VLM.
Lectura y decodificación adaptativa de escenas en difusión impulsando VLAs
Se propone un marco de lectura y decodificación adaptativa para modelos VLAs impulsados por difusión, buscando mejorar la calidad de la planificación al evitar decodificaciones innecesarias. El método pondera y combina predicciones de trayectoria de capas tardías después de un solo barrido de la columna vertebral, aplicando refinamiento solo cuando es necesario según la escena. Los resultados muestran una mejora en el rendimiento y una aceleración de velocidad de hasta 6.0x en benchmarks de Waymo E2E y reducción del error de trayectoria en nuScenes.
Reconstrucción como Evaluación Espacial: Diagnostizando la Inteligencia Espacial entre Múltiples Vistas en Modelos de Lenguaje-Visión Grandes
Se presenta RECONSPATIAL, un punto de referencia para evaluar la inteligencia espacial de los modelos de lenguaje-visión (LVLM) mediante la reconstrucción 3D de escenas multi-vista. Se investiga la brecha entre la estructura relativa de la escena y la precisión métrica de la reconstrucción. Los resultados indican que la consistencia relacional no asegura la exactitud métrica, limitando el éxito de la navegación.
Interacción Bidireccional Adaptativa de Tareas para Segmentación y Clasificación de Ultrasonido Mamario
Se presenta un nuevo decodificador que permite el intercambio de características latentes entre las ramas de segmentación y clasificación en cuatro niveles. Se introduce una unidad de Ponderación de Interacción Adaptativa para ajustar el presupuesto softmax compartido entre ambas tareas. El modelo supera a las líneas base existentes en métricas de IoU en ultrasonido mamario.
CRISP: Solución para corregir píxeles voladores en la generación de LiDAR latente mediante decodificación por difusión
Se presenta CRISP, un decodificador de difusión en espacio de píxeles diseñado para corregir píxeles voladores en pipelines de LiDAR latente. Este método busca reemplazar decodificadores existentes manteniendo el codificador y el generador latente fijos. Los resultados muestran reducciones significativas en FSVD/FPVD en diferentes conjuntos de datos y *backbones*.
Aprendizaje activo de bajo costo para segmentación de imágenes referenciales y localización
Se presenta un marco de aprendizaje activo para la localización visual (VG) que aborda el desafío de obtener expresiones referenciales precisas a partir de imágenes sin texto. El método introduce una función de adquisición llamada Referencia de Ambigüedad de Región para priorizar imágenes con alta ambigüedad visual. Los experimentos demuestran que este marco supera a otros métodos de aprendizaje activo y acelera el etiquetado de descripciones.