Un experimento evaluó modelos de IA multimodales de frontera, como Gemini 3.1 Pro y GPT-5.4, en la tasación de arte a partir de imágenes. Se encontró una brecha entre el reconocimiento visual y el compromiso con la valoración, indicando que para la IA, 'ver' y confiar en lo que se ve son distintos.
Es una biblioteca unificada de PyTorch para aprendizaje profundo de nubes de puntos 3D, que soporta 56 configuraciones listas para usar y validación cruzada integrada. LIDARLearn también automatiza la generación de PDF LaTeX listos para publicación después del entrenamiento, siendo ideal para investigadores en visión artificial 3D y teledetección.
![We’re proud to open-source LIDARLearn [R] [D] [P]](/cdn-cgi/image/width=3840,quality=75,format=webp/https://preview.redd.it/53o0rt8wfxvg1.png?width=640&crop=smart&auto=webp&s=17dbca74f07ea72d1d32060979cecfdc47ab51fe)
TRELLIS.2 de Microsoft es un modelo de código abierto de 4B parámetros para la generación de 3D de alta fidelidad a partir de imágenes, produciendo activos PBR de hasta 1536³ con VAES 3D nativos y una estructura O-Voxel. Ofrece una solución eficiente y escalable para la creación de activos 3D detallados con materiales PBR completos.
Un usuario con un dataset de 150 mil imágenes de heces busca las mejores prácticas para entrenar un modelo de visión artificial. Cuestiona su flujo de trabajo actual de verificación manual y busca enfoques más inteligentes y escalables para garantizar la calidad del dataset y las anotaciones.
El contenido discute investigaciones recientes en el campo de la Programación Lógica Inductiva (ILP) que exploran la inducción de predicados en conjuntos de datos de imágenes. El autor cuestiona la capacidad del ILP para competir con Deep Learning/Redes Neuronales en visión por computadora, a pesar de las sólidas afirmaciones de rendimiento.
Este artículo presenta los Núcleos de Atención Elásticos como un nuevo bloque de construcción para Vision Transformers escalables, abordando el alto costo de la autoatención densa. El enfoque utiliza una estructura de atención escasa por bloques de núcleo-periferia y dropout anidado para ajustes elásticos del costo de inferencia, logrando una precisión competitiva.
![Elastic Attention Cores for Scalable Vision Transformers [R]](/cdn-cgi/image/width=3840,quality=75,format=webp/https://preview.redd.it/zjea47ez7w0h1.png?width=140&height=140&crop=1:1,smart&auto=webp&s=2017a3d330a172670baae5645ddff3137bbe1df6)
El presupuesto de visión predeterminado de Gemma 4 es a menudo demasiado bajo para un reconocimiento de detalles eficaz, lo que provoca un bajo rendimiento en OCR. Los usuarios pueden mejorar significativamente su visión configurando los parámetros de `llama.cpp` como `--image-min-tokens` y `--image-max-tokens` a valores más altos, como 560 y 2240.
O usuário busca um método eficaz para detectar texto invertido em selfies antes de passá-los para modelos de Visão-Linguagem (VLM) ou extratores de embedding facial, que são insensíveis a essa inversão devido ao treinamento com dados aumentados. Sua ideia é usar OCR (EasyOCR) para comparar a pontuação de leitura de texto normal versus espelhado, questionando se esta é a melhor abordagem ou se existe uma solução de modelo menor e mais inteligente.
Um usuário está desenvolvendo uma plataforma de coleta de fotos crowdsourced, utilizando YOLO/CLIP para rotulagem automática e enriquecimento de metadados. Ele busca sugestões sobre quais tipos de dados de imagem são mais difíceis de encontrar e mais desejados para o treinamento de modelos de IA, citando exemplos como cenas de rua europeias ou prateleiras de supermercado.
La nueva ley de verificación de edad de Iowa presenta importantes desafíos técnicos para los desarrolladores, exigiendo una "verificación de edad razonable" bajo amenaza de fuertes multas. Esto implica la implementación de soluciones complejas como OCR de documentos, comparación facial y una lógica sólida de retención de datos, convirtiendo las características de seguridad en requisitos de backend críticos.
El autor explora el potencial de los CAPTCHAs basados en visión (webcam + detección de gestos) que se ejecutan localmente en el navegador para la prevención de bots. Plantea la cuestión de la confianza y las preocupaciones de privacidad con respecto al uso de la cámara para este fin.
El artículo de un autor fue rechazado de un taller por sonar más a informe técnico que a artículo de investigación, a pesar de seguir el formato habitual de visión por computadora. Busca la opinión de la comunidad para entender los errores comunes que conducen a tal evaluación.
Un estudiante de doctorado en IA/visión por computadora lucha por reproducir la precisión reportada en un artículo publicado, obteniendo consistentemente un ~73% frente al ~77% de la línea de base del artículo. A pesar de revisiones exhaustivas e intentos de contactar a los autores, el estudiante se enfrenta a una brecha de reproducibilidad que dificulta su investigación posterior.
Este artículo presenta NUMBA_3, una herramienta de código abierto basada en Python que permite el control del ratón sin contacto mediante IA, utilizando una cámara web y gestos con las manos. Desarrollada rápidamente, emplea MediaPipe, OpenCV y Numba para movimientos fluidos del cursor, empaquetada con PyInstaller.
Este contenido explora los métodos de reconocimiento facial, desde enfoques tradicionales hasta las últimas técnicas de aprendizaje profundo. Ofrece una visión integral sobre la evolución y las tecnologías empleadas en este campo de la inteligencia artificial.
Un usuario en Reddit informó no haber recibido el correo electrónico con la decisión de la beca CVPR26 Broadening Participation, a pesar de que los presidentes de la conferencia confirmaron que todos los participantes fueron notificados. El usuario aún espera la comunicación de su decisión.
Una reciente estafa deepfake donde un anciano perdió casi un millón de dólares a un Primer Ministro canadiense sintético destaca una ruptura crítica de la confianza biométrica. Esto indica que la verificación humana ya no es un método infalible debido a la sofisticación de la IA generativa.
Este contenido presenta la "Density-aware Chamfer Distance" como una nueva métrica integral para la evaluación de tareas de completado de nubes de puntos. Busca proporcionar una valoración más robusta y precisa de los modelos 3D completados.
Este trabajo presenta un método para la generación de subtítulos de imágenes, utilizando atención basada en regiones y factorización de escenas para mejorar la relevancia y precisión descriptiva. Su objetivo es alinear la percepción visual con la narración textual de manera más efectiva.
Este trabajo explora el aprendizaje auto-supervisado para la correspondencia estéreo, centrándose en un sistema con capacidad de auto-mejora. La investigación busca mejorar la precisión y robustez de los algoritmos de visión por computadora en la estimación de profundidad.