Artículos de Investigación en IA Diarios

Artículos de investigación en IA seleccionados diariamente con traducciones

Modelado Autoregresivo de Video con Contexto Extendido mediante Predicción del Siguiente Fotograma
Long-Context Autoregressive Video Modeling with Next-Frame Prediction

Yuchao Gu, Weijia Mao, Mike Zheng Shou•Mar 25, 2025•722

Escalando el Preentrenamiento de Visión a Resolución 4K
Scaling Vision Pre-Training to 4K Resolution

Baifeng Shi, Boyi Li, Han Cai, Yao Lu, Sifei Liu, Marco Pavone, Jan Kautz, Song Han, Trevor Darrell, Pavlo Molchanov, Hongxu Yin•Mar 25, 2025•402

Escalado en Tiempo de Inferencia para Modelos de Flujo mediante Generación Estocástica y Forzado de Presupuesto de Rollover
Inference-Time Scaling for Flow Models via Stochastic Generation and Rollover Budget Forcing

Jaihoon Kim, Taehoon Yoon, Jisung Hwang, Minhyuk Sung•Mar 25, 2025•334

Exploración de las Alucinaciones en Modelos Multimodales de Gran Escala para la Comprensión de Videos: Evaluación Comparativa, Análisis y Mitigación
Exploring Hallucination of Large Multimodal Models in Video Understanding: Benchmark, Analysis and Mitigation

Hongcheng Gao, Jiashu Qu, Jingyi Tang, Baolong Bi, Yue Liu, Hongyu Chen, Li Liang, Li Su, Qingming Huang•Mar 25, 2025•314

CoMP: Preentrenamiento Multimodal Continuo para Modelos Fundacionales de Visión
CoMP: Continual Multimodal Pre-training for Vision Foundation Models

Yitong Chen, Lingchen Meng, Wujian Peng, Zuxuan Wu, Yu-Gang Jiang•Mar 24, 2025•301

Piensa dos veces: Mejorando el razonamiento de los LLM mediante la escalabilidad del pensamiento en múltiples rondas durante la prueba
Think Twice: Enhancing LLM Reasoning by Scaling Multi-round Test-time Thinking

Xiaoyu Tian, Sitong Zhao, Haotian Wang, Shuaiting Chen, Yunjie Ji, Yiping Peng, Han Zhao, Xiangang Li•Mar 25, 2025•265

Detecta lo falso: Detección de imágenes sintéticas basada en modelos multimodales grandes con explicación de artefactos
Spot the Fake: Large Multimodal Model-Based Synthetic Image Detection with Artifact Explanation

Siwei Wen, Junyan Ye, Peilin Feng, Hengrui Kang, Zichen Wen, Yize Chen, Jiang Wu, Wenjun Wu, Conghui He, Weijia Li•Mar 19, 2025•203

MDocAgent: Un Marco de Multiagentes Multimodal para la Comprensión de Documentos
MDocAgent: A Multi-Modal Multi-Agent Framework for Document Understanding

Siwei Han, Peng Xia, Ruiyi Zhang, Tong Sun, Yun Li, Hongtu Zhu, Huaxiu Yao•Mar 18, 2025•192

ReSearch: Aprendizaje del razonamiento mediante búsqueda para modelos de lenguaje grandes a través de aprendizaje por refuerzo
ReSearch: Learning to Reason with Search for LLMs via Reinforcement Learning

Mingyang Chen, Tianpeng Li, Haoze Sun, Yijie Zhou, Chenzheng Zhu, Fan Yang, Zenan Zhou, Weipeng Chen, Haofen Wang, Jeff Z. Pan, Wen Zhang, Huajun Chen•Mar 25, 2025•173

CoLLM: Un Modelo de Lenguaje de Gran Escala para la Recuperación de Imágenes Compuestas
CoLLM: A Large Language Model for Composed Image Retrieval

Chuong Huynh, Jinyu Yang, Ashish Tawari, Mubarak Shah, Son Tran, Raffay Hamid, Trishul Chilimbi, Abhinav Shrivastava•Mar 25, 2025•142

WikiAutoGen: Hacia la Generación de Artículos al Estilo Wikipedia con Enfoque Multimodal
WikiAutoGen: Towards Multi-Modal Wikipedia-Style Article Generation

Zhongyu Yang, Jun Chen, Dannong Xu, Junjie Fei, Xiaoqian Shen, Liangbing Zhao, Chun-Mei Feng, Mohamed Elhoseiny•Mar 24, 2025•112

Superresolución en el Espacio Latente para la Generación de Imágenes de Mayor Resolución con Modelos de Difusión
Latent Space Super-Resolution for Higher-Resolution Image Generation with Diffusion Models

Jinho Jeong, Sangmin Han, Jinwoo Kim, Seon Joo Kim•Mar 24, 2025•101

FullDiT: Modelo Fundacional Generativo de Video Multitarea con Atención Completa
FullDiT: Multi-Task Video Generative Foundation Model with Full Attention

Xuan Ju, Weicai Ye, Quande Liu, Qiulin Wang, Xintao Wang, Pengfei Wan, Di Zhang, Kun Gai, Qiang Xu•Mar 25, 2025•82

DiffPortrait360: Síntesis de retratos consistentes con difusión para vistas de 360 grados
DiffPortrait360: Consistent Portrait Diffusion for 360 View Synthesis

Yuming Gu, Phong Tran, Yujian Zheng, Hongyi Xu, Heyuan Li, Adilbek Karmanov, Hao Li•Mar 19, 2025•82

FirePlace: Refinamientos Geométricos del Razonamiento de Sentido Común en LLM para la Colocación de Objetos 3D
FirePlace: Geometric Refinements of LLM Common Sense Reasoning for 3D Object Placement

Ian Huang, Yanan Bao, Karen Truong, Howard Zhou, Cordelia Schmid, Leonidas Guibas, Alireza Fathi•Mar 6, 2025•82

PhysTwin: Reconstrucción y Simulación Basada en Física de Objetos Deformables a partir de Vídeos
PhysTwin: Physics-Informed Reconstruction and Simulation of Deformable Objects from Videos

Hanxiao Jiang, Hao-Yu Hsu, Kaifeng Zhang, Hsin-Ni Yu, Shenlong Wang, Yunzhu Li•Mar 23, 2025•72

LookAhead Tuning: Modelos de Lenguaje más Seguros mediante Previsualizaciones Parciales de Respuestas
LookAhead Tuning: Safer Language Models via Partial Answer Previews

Kangwei Liu, Mengru Wang, Yujie Luo, Lin Yuan, Mengshu Sun, Ningyu Zhang, Lei Liang, Zhiqiang Zhang, Jun Zhou, Huajun Chen•Mar 24, 2025•53

Desarrollo Eficiente de Modelos mediante Ajuste Fino por Transferencia
Efficient Model Development through Fine-tuning Transfer

Pin-Jie Lin, Rishab Balasubramanian, Fengyuan Liu, Nikhil Kandpal, Tu Vu•Mar 25, 2025•42

FRESA: Reconstrucción por Avance de Avatares Personalizados con Esqueleto a partir de Pocas Imágenes
FRESA:Feedforward Reconstruction of Personalized Skinned Avatars from Few Images

Rong Wang, Fabian Prada, Ziyan Wang, Zhongshi Jiang, Chengxiang Yin, Junxuan Li, Shunsuke Saito, Igor Santesteban, Javier Romero, Rohan Joshi, Hongdong Li, Jason Saragih, Yaser Sheikh•Mar 24, 2025•42

xKV: Descomposición SVD entre capas para la compresión de la caché KV
xKV: Cross-Layer SVD for KV-Cache Compression

Chi-Chih Chang, Chien-Yu Lin, Yash Akhauri, Wei-Cheng Lin, Kai-Chiang Wu, Luis Ceze, Mohamed S. Abdelfattah•Mar 24, 2025•41

Flujo de Gumbel-Softmax con Guía de Paso Directo para la Generación Controlada de Secuencias Biológicas
Gumbel-Softmax Flow Matching with Straight-Through Guidance for Controllable Biological Sequence Generation

Sophia Tang, Yinuo Zhang, Alexander Tong, Pranam Chatterjee•Mar 21, 2025•42

Línea Base Fuerte: Seguimiento Multi-UAV mediante YOLOv12 con BoT-SORT-ReID
Strong Baseline: Multi-UAV Tracking via YOLOv12 with BoT-SORT-ReID

Yu-Hsi Chen•Mar 21, 2025•45

Cuando las Palabras Superan a la Visión: Los Modelos de Lenguaje Visual Pueden Mejorarse Mediante Entrenamiento Solo con Texto para la Toma de Decisiones Centradas en el Ser Humano
When Words Outperform Vision: VLMs Can Self-Improve Via Text-Only Training For Human-Centered Decision Making

Zhe Hu, Jing Li, Yu Yin•Mar 21, 2025•42

Hacia un Modelo Fundacional Unificado Copernicus para la Visión de la Tierra
Towards a Unified Copernicus Foundation Model for Earth Vision

Yi Wang, Zhitong Xiong, Chenying Liu, Adam J. Stewart, Thomas Dujardin, Nikolaos Ioannis Bountos, Angelos Zavras, Franziska Gerken, Ioannis Papoutsis, Laura Leal-Taixé, Xiao Xiang Zhu•Mar 14, 2025•43

LLaVAction: evaluación y entrenamiento de modelos de lenguaje multimodal de gran escala para el reconocimiento de acciones
LLaVAction: evaluating and training multi-modal large language models for action recognition

Shaokai Ye, Haozhe Qi, Alexander Mathis, Mackenzie W. Mathis•Mar 24, 2025•32

Any6D: Estimación de Pose 6D sin Modelo para Objetos Novedosos
Any6D: Model-free 6D Pose Estimation of Novel Objects

Taeyeop Lee, Bowen Wen, Minjun Kang, Gyuree Kang, In So Kweon, Kuk-Jin Yoon•Mar 24, 2025•32

OpenCity3D: ¿Qué saben los modelos de visión y lenguaje sobre los entornos urbanos?
OpenCity3D: What do Vision-Language Models know about Urban Environments?

Valentin Bieri, Marco Zamboni, Nicolas S. Blumer, Qingxuan Chen, Francis Engelmann•Mar 21, 2025•32

¿Pueden los modelos de visión y lenguaje responder preguntas cara a cara en el mundo real?
Can Vision-Language Models Answer Face to Face Questions in the Real-World?

Reza Pourreza, Rishit Dagli, Apratim Bhattacharyya, Sunny Panchal, Guillaume Berger, Roland Memisevic•Mar 25, 2025•22

Superando el desajuste de vocabulario: Modelado de lenguaje guiado por profesor independiente del vocabulario
Overcoming Vocabulary Mismatch: Vocabulary-agnostic Teacher Guided Language Modeling

Haebin Shin, Lei Ji, Xiao Liu, Yeyun Gong•Mar 24, 2025•22

Convolución Dinámica de Frecuencias para Predicción Densa de Imágenes
Frequency Dynamic Convolution for Dense Image Prediction

Linwei Chen, Lin Gu, Liang Li, Chenggang Yan, Ying Fu•Mar 24, 2025•22

LPOSS: Propagación de Etiquetas sobre Parches y Píxeles para Segmentación Semántica de Vocabulario Abierto
LPOSS: Label Propagation Over Patches and Pixels for Open-vocabulary Semantic Segmentation

Vladan Stojnić, Yannis Kalantidis, Jiří Matas, Giorgos Tolias•Mar 25, 2025•12

ST-VLM: Ajuste de Instrucciones Cinemáticas para el Razonamiento Espacio-Temporal en Modelos de Visión-Lenguaje
ST-VLM: Kinematic Instruction Tuning for Spatio-Temporal Reasoning in Vision-Language Models

Dohwan Ko, Sihyeon Kim, Yumin Suh, Vijay Kumar B. G, Minseo Yoon, Manmohan Chandraker, Hyunwoo J. Kim•Mar 25, 2025•11

Co-SemDepth: Estimación Rápida Conjunta de Segmentación Semántica y Profundidad en Imágenes Aéreas
Co-SemDepth: Fast Joint Semantic Segmentation and Depth Estimation on Aerial Images

Yara AlaaEldin, Francesca Odone•Mar 23, 2025•02