Mejora de VLMs patológicos mediante razonamiento multiescala
Mejora diagnóstico patológico con VLMs entrenados con razonamiento multiescala. Scale-VQA y ScaleReasoner-R1 superan atajos textuales con rendimiento superior.
#modelos de lenguaje visual
Reforzando el razonamiento de doble ruta en modelos visuales espaciales
Aprende cómo SR-REAL potencia el razonamiento espacial con dos rutas complementarias: lenguaje y detección 3D.
Zero-Shot Learning Industrial: Nuevo Benchmark, Desafíos y Línea Base
Descubre MMIO, el primer dataset industrial a gran escala para Zero-Shot, y RTVP, un método que logra 42.2% AP en detección de defectos sin entrenamiento
Dataset de preferencias humanas dinámicas para modelos de lenguaje visual
Descubre cómo el nuevo dataset de preferencias humanas dinámicas evalúa la capacidad de los VLMs para adaptarse en tiempo real. Ideal para investigadores en IA.
MemoVAD: Detección eficiente de anomalías en video con memoria semántica
Descubre MemoVAD, un innovador sistema de detección de anomalías en video que combina IA en el borde y la nube para reducir costos y mejorar la precisión.
El último píxel visible: sondeando percepción fina en VLMs
Nuevo benchmark FineSightBench revela que la percepción fina en VLMs satura a 12px y el razonamiento visual es limitado.
El último píxel visible: probando la percepción fina en VLMs
¿Qué tan pequeño puede percibir un VLM? FineSightBench revela que la percepción se satura a 12px, pero el razonamiento sigue limitado.
RoboPIN: Razonamiento Incorporado con Cadena de Pensamiento Anclada
Descubre cómo RoboPIN con PinCoT mejora el razonamiento incorporado usando anclas visuales, logrando un 12% más de precisión en benchmarks.
Evaluación de calidad de imágenes IA: desacoplando semántica y distorsiones
Descubre cómo MST-CLIPIQA desacopla semántica y distorsiones para evaluar imágenes generadas por IA con precisión sin precedentes. Nuevo estado del arte.
BinTrack: seguimiento binario para navegación espacial con modelos abiertos
Descubre BinTrack, un agente de localización espacial de código abierto que mejora hasta un 22.8% la precisión en navegación de robots. ¡Lee más!
Vision LLMs como parseadores de PDF: gráficos y diagramas para RAG
Aprende a usar Vision LLMs para extraer información de gráficos y diagramas en PDFs, potenciando tu RAG documental.
Purificación Adversarial Acumulativa para Modelos de Lenguaje Visual
Descubre DiffCAP: purificación por difusión que neutraliza ataques adversarios en VLMs. Mejora la seguridad sin sacrificar eficiencia. ¡Acelera tu despliegue!
MARIC: Razonamiento Multi-Agente para Clasificación de Imágenes
Descubre cómo MARIC revoluciona la clasificación de imágenes usando un enfoque multiagente colaborativo que supera a los métodos tradicionales.
Búsqueda semántica en 100M+ imágenes de galaxias con IA
Descubre cómo AION-Search usa IA para buscar en 100 millones de imágenes de galaxias y encontrar nuevos fenómenos raros como corrientes estelares.
Ver antes de colisionar: RL segura anticipatoria con modelos de lenguaje visual
Descubre cómo los modelos de lenguaje visual congelados permiten un RL anticipatorio que evita colisiones antes de que ocurran, superando métodos tradicionales.
MedVision: Benchmark para análisis cuantitativo de imágenes médicas
Descubre MedVision: benchmark de IA para análisis cuantitativo de imágenes médicas. Evalúa detección, tumores y ángulos.
Inferencia colaborativa de borde a servidor para modelos VLM
Descubre cómo la inferencia colaborativa edge-to-server reduce el costo de comunicación en modelos VLM sin sacrificar precisión. Optimiza tu infraestructura con transmisión selectiva.
Destilación de heurísticas de lectura para trazas de manipulación
Aprende cómo los robots superan la lectura errónea de video con destilación en bucle cerrado para predecir acciones exitosas.
Enseñar el método, no la respuesta: Destilación privilegiada multimodal
Descubre cómo PTD-PO optimiza políticas multimodales sin revelar respuestas, mejorando el razonamiento complejo.
MotionEnhancer: difusión video mejora modelos visión-lenguaje en movimiento
Descubre cómo MotionEnhancer usa difusión de video para mejorar la comprensión del movimiento en VLMs, sin parámetros adicionales.