Detección de odio en video con fusión multimodal razonada
Descubre cómo RAMF mejora la detección de odio en videos con fusión multimodal y razonamiento adversario, superando métodos actuales en 3% y 7%
#multimodal
De la fusión al arbitraje: segmentación 3D multimodal con pocos ejemplos
DA-FSS resuelve el dilema plasticidad-estabilidad en segmentación 3D multimodal con pocos ejemplos, superando a MM-FSS en S3DIS y ScanNet.
MechVQA: Evaluando LLMs multimodales en dibujos mecánicos
MechVQA: el primer dataset completo para evaluar LLMs multimodales en dibujos mecánicos. Supera a modelos cerrados con un 7.57% de precisión extra.
ImmersiveTTS: Texto a Voz Consciente del Entorno con Difusión Multimodal
ImmersiveTTS genera voz natural integrada en entornos reales, superando en naturalidad e inteligibilidad a otros modelos. Conoce cómo logra la alineación semántica con difusión multimodal.
Adaptador Variacional para Representación de Similitud Multimodal
Descubre cómo el Adaptador Variacional mejora la similitud multimodal resolviendo falsos negativos y potenciando la generalización en modelos de visión-lenguaje
¿Juega la información visual un papel decisivo en la conducción de modelos VLA?
Analizamos la relación entre información visual y comportamiento de conducción en modelos VLA mediante perturbaciones controladas. Implicaciones para sistemas más seguros.
Más allá de la clasificación: enrutamiento dinámico en recuperación multimodal
Descubre cómo el enrutamiento dinámico de adaptadores mejora la recuperación multimodal continua, superando métodos tradicionales. Ideal para IA y visión.
ERGeoBench: Benchmark de geolocalización encarnada en MLLMs
ERGeoBench evalúa la geolocalización encarnada de modelos multimodales usando razonamiento espacial y percepción visual. Descubre sus limitaciones.
FBHM: Benchmark funcional y guiado de VLM para detectar memes ofensivos
El nuevo benchmark FBHM revela que los VLM fallan en memes ofensivos. Descubre cómo los vectores de guía aprendibles mejoran la detección en un 30%.