visión por computadora
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, 12:00 a. m. | 0 |
| 3 nov 2026, 1:00 a. m. | 0 |
| 3 nov 2026, 2:00 a. m. | 15 |
| 3 nov 2026, 3:00 a. m. | 0 |
| 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 |
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 | 15 |
| 2026-11-04 | 0 |
Los gráficos cuentan por fecha de publicación y respetan los filtros. El archivo incluye todo el histórico.
Noticias de visión por computadora
17 noticias · De más nuevas a más antiguas.
arXiv Computer Science AISAMP: Priorización de Margen Autoadaptativa para Marcado de Agua de Difusión Robusto
Se presenta SAMP, un marco autoadaptativo para el marcado de agua en modelos de difusión, que ajusta la fuerza de incrustación y la prioridad de optimización de las dimensiones del marcado de agua. Este enfoque busca mejorar la robustez del marcado de agua al adaptar la fuerza de incrustación según la separación de códigos y priorizar dimensiones vulnerables a perturbaciones. Los resultados experimentales muestran mejoras significativas en la precisión de recuperación de información y en métricas como PSNR y LPIPS.
¿Qué mide una etiqueta de seguridad? Auditoría de puntos de referencia de seguridad situacional para LLMs multimodales
Se auditan puntos de referencia de seguridad situacional para modelos de lenguaje grandes multimodales (MLLMs) para determinar si clasifican correctamente escenas como seguras o inseguras. Se proponen métricas como la Tarjeta de Puntuación para evaluar la precisión de estos modelos. Los resultados sugieren que algunos modelos clasifican mejor de lo que indican sus propias etiquetas.
ProtoSemImage: Prototipos de imagen con alineación de fila deformable para clasificación de documentos interpretable
Se presenta ProtoSemImage, un método que utiliza imágenes prototipo en espacio HSV para la clasificación de documentos. El modelo busca mejorar la representación visual de los documentos mediante una alineación de fila deformable. La investigación demuestra que esta representación supera a modelos basados en vectores, mejorando el rendimiento en tareas de clasificación.
Mezcla de capas: Enrutamiento de capas dinámico para el razonamiento visual
Se propone Mixture of Layers (MoL), un enfoque de enrutamiento de capas condicionado por instrucciones a nivel de parche para agregar dinámicamente representaciones latentes de capas intermedias del codificador de visión. Este método busca mejorar el acceso a características visuales específicas para el razonamiento visual de grano fino en Modelos de Lenguaje Grande Multimodales (MLLMs). Los experimentos muestran mejoras significativas en tareas de razonamiento visual, superando a los MLLMs de referencia sin aumentar la complejidad de la entrada.
EarthJev: Respuestas calibradas y no generativas a preguntas en lenguaje natural sobre cobertura terrestre Sentinel-2
Se presenta EarthJev, un modelo de 0.8B de parámetros diseñado para responder preguntas sobre parches de Sentinel-2 multispectrales sin generar tokens. El modelo demuestra una velocidad significativamente mayor que otros modelos multimodales y generativos, alcanzando un 86.0% de precisión en 36,028 preguntas de prueba.
Pixel: Sistema robótico full-stack co-diseñado para manipulación móvil de propósito general
Se presenta Pixel, un sistema full-stack co-diseñado para el aprendizaje de manipulación móvil de propósito general. Este sistema integra un humanoide con ruedas de bajo costo, interfaces de recolección de datos y un controlador de cuerpo completo unificado. El objetivo es crear una base integrada para el diseño conjunto de hardware, datos, control y aprendizaje para el aprendizaje robótico.
Razonamiento de nivel de inundación guiado por conocimiento para monitoreo colaborativo en la nube y el borde
Se propone HydroReasoner, un marco de razonamiento visual para la detección de niveles de agua de inundación, diseñado para la colaboración en la nube y el borde. Este modelo mejora el rendimiento de detección en comparación con métodos convencionales al incorporar un grafo de conocimiento para supervisar el proceso de razonamiento. Se implementan optimizaciones como la cuantización de 4 bits para reducir el uso de memoria y la latencia en el despliegue en el borde.
Usando cabezales de OCR para verbalizar semántica de imágenes
Se investiga cómo los Modelos de Lenguaje Visual (VLMs) realizan el reconocimiento de caracteres ópticos (OCR) al identificar cabezales de atención necesarios. Se demuestra que estos cabezales son cabezales de propósito general que generan características semánticas interpretables en las representaciones de imagen. El estudio sugiere que las representaciones de imagen están alineadas con el lenguaje en las capas iniciales de los modelos.
LLM en bucle de anotación iguala a agentes de codificación a la mitad de costo
Se compara un agente de modelo de lenguaje grande (LLM) con agentes de forma libre para la anotación de imágenes médicas (TC de aorta). Se desarrolló un arnés llamado Taurus para automatizar la revisión de etiquetas, buscando mejorar la precisión y reducir el costo de la anotación. El resultado final mostró que la automatización del pase de revisión es clave para la competitividad del sistema.
Razonamiento basado en conceptos con localización impulsada por prompts para generación de informes estructurados
Se propone el marco CORAL para mejorar la generación de informes médicos mediante un proceso de razonamiento basado en conceptos con localización. Este marco integra la fundamentación espacial y la supervisión a nivel de concepto para lograr una mejor alineación con los procesos de decisión clínica. Los experimentos demuestran mejoras en la precisión diagnóstica y la calidad del informe en comparación con otros modelos MLLM.
Pensar antes de localizar: Supervisión de Cadena de Pensamiento Clínica para la localización de imágenes médicas secuenciales
Se investiga si el razonamiento explícito basado en imágenes puede mejorar la localización en modelos vision-lenguaje para imágenes médicas secuenciales. Se introduce el método MedChain y se utiliza supervisión de cadena de pensamiento deliberativa (dCoT-SFT) para mejorar el rendimiento en modelos como Qwen3.5. El modelo de 27B alcanzó un mIoU de 77.24 y un [email protected] de 85.20, superando modelos previos.
ClinFusion: Un sistema LLM multimodal centrado en la visión para la comprensión médica holística
Se presenta ClinFusion, un MLLM centrado en la visión diseñado para la comprensión médica holística, abordando desafíos en el manejo de imágenes médicas 2D y 3D. El sistema supera a modelos líderes en múltiples benchmarks médicos y demuestra capacidades multimodales superiores a modelos propietarios. La evaluación por radiólogos confirma que produce los informes mejor clasificados y valida su métrica de evaluación basada en la región de interés.
WaiT para la señal: Acoplamiento de flujo consciente de la frecuencia
Se presenta WaiT, un Transformer de imagen consciente de la wavelet diseñado para mejorar la calidad de la generación de imágenes al manejar la jerarquía de frecuencias. Este modelo aborda las limitaciones del *flow matching* estándar al separar la generación en bandas gruesas y finas mediante wavelets sin pérdida. Los resultados demuestran que WaiT alcanza un FID de 1.43 en ImageNet 512x512 y establece un nuevo estado del arte en fidelidad de textura.
SCOUT: Planificación bajo oclusión mediante despliegues de modelo de mundo centrado en objetos
Se presenta SCOUT, un marco de planificación consciente de la oclusión diseñado para robots que operan en espacios con objetos superpuestos. Este marco utiliza una representación centrada en objetos para reconstruir geometría oculta y determinar corredores de accesibilidad. SCOUT utiliza un LLM para proponer acciones y MCTS para evaluarlas, superando a otros modelos de planificación en tareas complejas.
Color canónico como lente para la decodabilidad del concepto en codificadores de visión y VLMs
Se investiga el uso del color canónico como prueba para determinar si los codificadores de visión hacen accesible la información de color canónico incluso cuando se elimina el color de la imagen de entrada. El estudio demuestra que el color canónico sigue siendo decodificable a partir de imágenes en escala de grises y está vinculado a la identidad del objeto predicha. Se concluye que el entrenamiento posterior de los VLMs puede influir significativamente en la decodificabilidad del color en el codificador de visión.
Hugging Face BlogEl estado de la visión por computadora en Hugging Face
Hugging Face publicó un balance del estado de la visión por computadora en su ecosistema, con 8 tareas centrales de visión, más de 3000 modelos y más de 100 datasets en su Hub. El artículo detalla el soporte para Pipelines, el entrenamiento de modelos propios, las integraciones con timm, Diffusers y Datasets, y las herramientas para demos en Spaces y AutoTrain. También describe la filosofía técnica, los modelos zero-shot como CLIP, OWL-ViT y CLIPSeg, y las opciones de despliegue mediante Inference Endpoints.
Segmentación de imágenes zero-shot con CLIPSeg
La publicación explica CLIPSeg, un modelo de segmentación de imágenes zero-shot construido sobre CLIP de OpenAI que permite segmentar objetos casi sin entrenamiento adicional, usando prompts de texto o de imagen. Detalla su funcionamiento, sus limitaciones de resolución (352x352 píxeles) y cómo usarlo con Hugging Face Transformers. También muestra cómo generar máscaras aproximadas y refinarlas en la plataforma Segments.ai para entrenar modelos más precisos.