STAR: Asignación Adaptativa de Recompensas Espaciotemporales en Texto a Imagen
Descubre STAR, un método de asignación adaptativa de recompensas que mejora la generación de imágenes con IA. Resultados sobresalientes en GenEval, OCR y
#difusión
REINS: Alineación segura de modelos de video sin reentrenamiento
REINS alinea modelos de video en inferencia para generar contenido seguro sin reentrenamiento. Evita violencia y desinformación con bajo coste computacional.
Detail++: Mejorador de Detalles sin Entrenamiento para Difusión
Detail++ mejora la generación de imágenes con prompts complejos mediante inyección progresiva de detalles sin entrenamiento. Logra mayor precisión de atributos
DiffAttn: Predicción de Atención Visual con Difusión y LLM
Descubre DiffAttn, el modelo basado en difusión y LLM que predice la atención visual del conductor para mejorar la seguridad vial y la interacción
Falta Informativa para Generar Series Clínicas Irregulares
Modelo de difusión genera series clínicas irregulares preservando la falta informativa. Basado en MIMIC-III, mejora la imputación de datos.
Ausencia informativa para generar series temporales clínicas
Modelos de difusión generan series clínicas aprovechando la ausencia informativa de pruebas. Clave para imputación y modelos base en salud.
Geometría de Finsler y Redes Neuronales de Grafos
Explora la convergencia del Laplaciano de Finsler en nubes de puntos y su implementación como capa de redes neuronales de grafos para difusión no lineal.
Geometría de Finsler, Redes Neuronales de Grafos y Tú
Descubre cómo la geometría de Finsler inspira nuevas GNN para difusión no lineal. El laplaciano de Finsler y su aplicación en aprendizaje automático.
Modelos de difusión restringidos con inferencia primal-dual
Modelos de difusión con inferencia primal-dual resuelven problemas de optimización con restricciones promedio. Muestreo óptimo y convergencia garantizada.
Modelos de Difusión con Restricciones e Inferencia Primal-Dual
Descubre cómo los modelos de difusión con inferencia primal-dual permiten muestrear distribuciones óptimas bajo restricciones promedio. Aplicaciones en
Emparejamiento del operador de Perron-Frobenius en modelos generativos
El nuevo enfoque PFOM unifica flujo, difusión y saltos en modelos generativos usando el operador de Perron-Frobenius. Aceleración Nesterov y divergencia KL.
Método de punto medio aleatorizado para muestreo log-cóncavo con restricciones
Descubre el método de punto medio aleatorizado para muestreo log-cóncavo con restricciones. Mejora la convergencia en difusiones de Langevin. Avances en IA y
Algoritmo Sinkhorn generalizado para el puente de Schrödinger de campo medio
Descubre cómo el algoritmo generalizado de Sinkhorn resuelve el puente de Schrödinger de campo medio para sistemas multi-agente con interacciones no locales.
Emparejamiento de Perron-Frobenius para Modelado Generativo
Descubre PFOM: un marco generativo que unifica flujo, difusión y saltos vía operador de Perron-Frobenius. Convergencia acelerada con Nesterov.
Escalamiento recursivo en modelos de difusión enmascarados
Descubre cómo los modelos de difusión recursiva (R-MDMs) mejoran la eficiencia paramétrica al reutilizar transformers, logrando calidad con menos recursos y
NoiseTilt: Alineación de recompensas en difusión con ruido inclinado
NoiseTilt revoluciona la alineación de recompensas en difusión: logra alta calidad con solo 25 NFEs, reduciendo el cómputo 20 veces.
¿Dónde empezar la generación de acciones? Prior aprendible para robots
Conoce LeaP, el prior aprendible que mejora políticas robóticas generativas: 81.6% de éxito en 15 tareas. Supera a otras técnicas hasta un 25.5%.
AoiZora: Optimización Auto-Paralela con Topología para Inferencia en Difusión
AoiZora acelera la inferencia de difusión de video en TPU sub-slices hasta 1.42x usando planificación topológica automática sin modificar el modelo.
Inversión de punto fijo con selección de raíz por rectitud de trayectoria
Descubre cómo SelFix mejora la inversión en flujos rectificados seleccionando raíces rectas, logrando mejor reconstrucción y edición.
Equidad geométrica en redes neuronales de grafos
Nuevo método para lograr equidad geométrica en redes neuronales de grafos mediante modificaciones del laplaciano. Mitiga sesgos con ajustes espectrales.