65 noticias
TouchScale es un conjunto de datos de 500 horas diseñado para el aprendizaje visual-táctil, que resuelve la limitación de los datasets actuales al integrar simultáneamente video egocéntrico y mediciones táctiles densas. A diferencia de las fuentes previas, que suelen mezclar grabaciones de diferente
El Lightbulb Computer es un prototipo de diseño especulativo que propone una alternativa a las gafas inteligentes y los dispositivos portátiles tradicionales. Este dispositivo, con forma de bombilla, combina tecnología de proyectores modernos y visión por computadora para integrar la información en
QuadTok es un marco de software diseñado para la tokenización visual y la generación de imágenes autoregresiva, que introduce una estructura jerárquica de árbol de cuadrantes (quadtree) para superar las limitaciones de las grillas bidimensionales fijas. A diferencia de los métodos tradicionales que
Neko Health, una startup de escaneo corporal fundada por David Ek y Hjalmar Nilsonne, cofundadores de Spotify, ha establecido su presencia en Nueva York tras recaudar casi 1.000 millones de dólares en financiación. La empresa, originaria de Suecia, ofrece un escaneo de un hora que analiza el metabol
La generación de video ha evolucionado rápidamente desde clips cortos de baja calidad hacia secuencias de alta resolución y duración larga con dinámicas espaciales y temporales complejas. Sin embargo, los modelos de video preentrenados suelen fallar en seguir la intención humana, mantener la coheren
Memorizon es una técnica de entrenamiento para modelos mundiales de visión por computadora diseñada para superar las limitaciones de la ventana de contexto en tareas de supervisión a largo plazo. El problema central que aborda es la necesidad de capturar muestras de entrenamiento que abarquen múltip
Bild AI, una startup de inteligencia artificial con sede en Y Combinator, ha publicado una oferta de empleo para un ingeniero de producto fundador. La empresa se centra en el desarrollo de herramientas para la estimación de costes y la lectura de planos en la construcción, utilizando modelos de visi
EpiCon es un marco de memoria multimodal compartido diseñado para facilitar el aprendizaje colectivo de agentes de inteligencia artificial sin modificar los parámetros del modelo anfitrión. Este sistema permite que diferentes agentes reutilicen y construyan sobre la experiencia acumulada por otros,
Un desarrollador ha documentado el proceso de creación de un detector de visión por computadora diseñado específicamente para identificar el contenido de baja calidad, conocido como 'slop', que predomina en la plataforma LinkedIn. El autor, frustrado por la percepción de productividad performática y
TrackEverything es un modelo de seguimiento de puntos en 3D que elimina la restricción tradicional entre la duración del video y la densidad de puntos rastreados. A diferencia de los modelos existentes, que deben elegir entre rastrear pocos puntos a largo plazo o muchos puntos a corto plazo, esta he
Un desarrollador ha creado un wrapper para modelos de lenguaje de gran escala (LLM) inspirado en la herramienta Jev, que permite evaluar la probabilidad de tokens de los modelos mediante la lectura de logprobs. Esta técnica, aunque conocida en la industria, fue nueva para el autor, quien la implemen
La proliferación de cámaras de vigilancia equipadas con inteligencia artificial ha generado una creciente oposición pública, lo que ha impulsado el desarrollo de la 'moda adversarial'. Esta estrategia consiste en diseñar vestimenta específica para evadir los sistemas de reconocimiento facial y lectu
Un desarrollador ha creado una aplicación que genera esculturas anamórficas optimizando la posición, el tamaño y la rotación de mallas 3D mediante descenso de gradiente. El sistema toma un conjunto de mallas aleatorias y las ajusta para que, vistas desde un ángulo específico, formen una silueta reco
Feyn, un equipo de investigación en inteligencia artificial, ha presentado MultiMatte, un modelo de segmentación y mateado (separación de sujeto y fondo con transparencia) que permite indicar con una frase qué objeto conservar en una imagen y elimina el resto. Está construido sobre SAM 3, el detecto
Investigadores de la Universidad Brown han entrenado a un robot para reproducir a mano caracteres en idiomas que nunca había visto durante su entrenamiento. El sistema, desarrollado por la robótica Stefanie Tellex y su colega Atsunobu Kotani, fue entrenado exclusivamente con caracteres japoneses, pe
Mientras la inteligencia artificial avanza con rapidez en el trabajo intelectual —con modelos como ChatGPT o Claude ya al alcance de cualquiera—, el equivalente en el plano físico brilla por su ausencia. La comunidad tecnológica de San Francisco anticipa robots humanoides de uso general capaces de c
Laser Graffiti convierte cualquier pared en un lienzo interactivo combinando un proyector, una cámara web y un puntero láser. Apuntando el láser hacia la superficie, el proyector reproduce la trayectoria en tiempo real con distintos efectos visuales: trazos de neón brillante, tinta que gotea o forma
Ingenieros de la Escuela de Ingeniería y Ciencias Aplicadas John A. Paulson de la Universidad de Harvard han creado Mobilio, una aplicación para teléfonos inteligentes que combina aprendizaje automático, sensores del propio dispositivo (cámara, GPS, unidad de medición inercial y, cuando está disponi
El proyecto LAION ha presentado LAION-BVD, un conjunto de datos de vídeo a gran escala y código abierto destinado al entrenamiento de modelos multimodales. A partir de 1.300 millones de URLs recogidas de Common Crawl, el equipo descargó 80 millones de vídeos con una duración total de 10 millones de
Linum publica unas notas técnicas que detallan cómo ha evolucionado su estrategia de filtrado de datos para entrenar modelos generativos de vídeo. Aunque las redes neuronales apenas han cambiado desde Stable Diffusion 3, la mayoría de las mejoras recientes se atribuyen a tres ejes: filtrado y rebala
Perceptron, una startup fundada en noviembre de 2024 por Armen Aghajanyan y Akshat Shrivastava, dos exinvestigadores de Meta FAIR, presentó esta semana Isaac 0.5, un modelo de visión diseñado para que los robots perciban, razonen y actúen en entornos industriales. La compañía explicó que el software
Los códigos QR son ya una presencia cotidiana en señales, anuncios y envases: la forma más sencilla de compartir una URL visualmente. Este artículo analiza cómo pasar del típico cuadrado blanco y negro a versiones personalizadas sin perder la capacidad de lectura. Primero repasa las técnicas más co
La función Pet Memory de Gemini for Home, que Google presentó para que las cámaras Nest reconozcan por nombre a las mascotas del usuario, no logra distinguir entre los tres gatos de la autora tras dos semanas de pruebas. La periodista, crítica de hogar inteligente en The Verge, instaló varias Nest C
Roboflow ha lanzado Playground, una herramienta web que permite ejecutar la misma imagen y el mismo prompt en hasta cinco modelos de visión por computadora de forma simultánea para comparar sus resultados. La plataforma admite más de 30 modelos, entre ellos los últimos modelos visión-lenguaje de Ant
Roboflow sometió a los nuevos modelos GPT-5.6 Sol, Terra y Luna de OpenAI, presentados la semana pasada, a su próximo benchmark de modelos de visión (VLM), que cubrirá detección de objetos, conteo, OCR y extracción de datos. Sol registró 46,2 mAP@50 en detección, frente a los 13,8 puntos de GPT-5.5,
Matic ha lanzado Matic Cues, una actualización que incorpora control por voz y por gestos a su robot aspirador, disponible desde el 13 de agosto a través de la aplicación del fabricante. La principal novedad es el control gestual, una función inédita en el sector: tras activarlo con la palabra clave
Perspec es una aplicación de escritorio gratuita y de código abierto diseñada para corregir la perspectiva de fotografías de documentos, recibos y cualquier otra imagen. Su versión 1.0, publicada tras nueve años de desarrollo, se centra en un flujo de trabajo ágil pensado para procesar lotes de imág
Un modelo de visión por computador dispone de unos 150 fotogramas por vídeo antes de agotar su presupuesto de tokens. Elegir cuáles de esos 150 conservarlo es lo que decide si el modelo vio el vídeo o solo recibió una secuencia de imágenes inconexas. Este artículo recoge las notas de ingeniería obte
La empresa Feyn ha presentado FeyNoBg, un modelo de código abierto de última generación para la eliminación automática de fondos en imágenes, junto con NoBg, la librería en Python usada para entrenarlo y que también libera de forma abierta. Según la compañía, FeyNoBg logra la mejor S-measure publica
D-FINE-seg es un framework de código abierto que amplía el detector de objetos basado en transformers D-FINE con capacidades de segmentación de instancias. El proyecto añade una cabeza de máscara ligera, pérdidas de entrenamiento conscientes de la segmentación (BCE y Dice recortadas por bounding box
TTT3R es un proyecto de investigación en visión por computadora 3D publicado en GitHub por el grupo Inception3D y aceptado en ICLR 2026. La propuesta consiste en una regla de actualización de estado simple que mejora la generalización en longitud del modelo CUT3R, un sistema de reconstrucción 3D a p
El ingeniero Roger Dickey ha publicado un proyecto de código abierto que reconstruye en 3D los 64 partidos del Mundial de Catar 2022 a partir de datos comerciales de seguimiento de jugadores. La iniciativa parte de las visualizaciones que circularon en redes sociales durante la competición, pero va
Un equipo independiente construyó un «ring de dibujo» en el que cuatro modelos de visión por computadora —GPT-5.6 Sol, Claude Fable 5, Grok 4.5 y Gemini 3.6 Flash— reciben un lienzo en blanco y un conjunto de herramientas que simulan lápices de colores: elegir tono, grosor y presión, trazar lotes de
Los modelos de lenguaje de gran tamaño (LLM) han concentrado la atención pública y la inversión en inteligencia artificial durante los últimos años, pero una nueva categoría empieza a despuntar: los llamados "modelos del mundo". A diferencia de los LLM, centrados en texto, estos sistemas aspiran a s
LingBot-Map es un modelo fundacional 3D feed-forward, publicado en GitHub por el equipo Robbyant, diseñado para reconstruir escenas tridimensionales a partir de secuencias de vídeo en streaming. Su arquitectura se articula en torno al Geometric Context Transformer, un componente que unifica el ancla
Sheryl Sandberg, exdirectora de operaciones de Meta, ha encabezado una ronda de inversión de 10 millones de dólares en Self Inspection, una startup con sede en San Diego que aplica inteligencia artificial a la inspección de vehículos. La ronda fue liderada por su family office, Sandberg Bernthal Ven
Neverclick es una aplicación de escritorio para Windows que permite realizar todas las acciones del ratón usando únicamente el teclado, sin necesidad de tocar el periférico. Su funcionamiento se basa en un sistema de visión por computador llamado Neverclick Vision, que identifica elementos de la int
El ingeniero Jesse Li documentó cómo, a partir de una sola fotografía de la pared de la estación Smith–Ninth Streets en Brooklyn —hecha de hormigón y cubierta por marcas de zapatos dejadas por viajeros que esperan el tren recostando el pie contra ella—, se puede reconstruir la distribución de estatu
youtube-guitar-tab-parser es una herramienta de línea de comandos que automatiza la extracción de la tablatura mostrada en un vídeo de YouTube y la convierte en un PDF listo para imprimir o consultar sin conexión. El usuario solo necesita facilitar la URL del vídeo y una clave de API de Anthropic; e
Camiones militares rusos en Ucrania han adoptado un esquema de pintura con llamativas rayas blancas y negras, un camuflaje inútil contra observadores humanos pero diseñado para desorientar los sistemas de visión artificial de los drones ucranianos que sobrevuelan el campo de batalla en busca de obje
The Annotated JEPA, obra de Elon Litman, es un recorrido técnico, anotado y desde cero por las Joint Embedding Predictive Architectures (JEPA), siguiendo el espíritu de The Annotated Transformer. Su propósito es construir el modelo completo, explicar cada componente y cerrar con un bucle de entrenam
Steam Controller Auto-Charge es una aplicación web de código abierto que guía de forma autónoma un Steam Controller hasta su base de carga magnética. Combina visión por computador basada en flujo óptico con telemetría a través de WebHID para localizar el mando, orientarlo hacia la puck de carga y co
Los CAPTCHAs llevan más de dos décadas intentando distinguir a las personas de las máquinas, y cada generación ha terminado cayendo ante los avances en visión por computador y aprendizaje automático. Este artículo repasa esa evolución en cuatro niveles: desde los textos distorsionados que aprovechab
Krea 2 es una nueva familia de modelos fundacionales de generación de imágenes desarrollada por Krea con un objetivo explícitamente distinto al de la mayoría de sistemas actuales: en lugar de optimizar un único estilo predeterminado y pulido, busca ofrecer una herramienta de exploración creativa, ca
Lift4D es un marco de optimización en tiempo de prueba que reconstruye objetos dinámicos completos a partir de un único vídeo monocular, abordando un problema clásico de la visión por computador: fusionar las pistas visuales del vídeo con priors aprendidos sobre geometría y apariencia. Los métodos a
YOLO26 es una familia de modelos de visión por computador publicada por Ultralytics en enero de 2026 que cubre detección de objetos, segmentación de instancias, clasificación de imágenes, estimación de pose y detección de objetos orientados en cinco variantes de tamaño, desde Nano hasta Extra Large.
Ultralytics ha presentado YOLO26, una nueva familia de modelos de visión por computador en tiempo real diseñada para resolver varias limitaciones persistentes en la saga YOLO: la dependencia de la supresión de no máximos (NMS) durante la inferencia, el peso de las cabezas de detección asociadas a Di
Moebius es un nuevo marco de inpainting de imágenes que combina un tamaño reducido, 0.2B de parámetros, con un rendimiento comparable al de modelos de 10B. La herramienta está dirigida a investigadores y desarrolladores que necesitan completar o restaurar regiones faltantes en imágenes sin requerir
Este documento técnico explica en profundidad dos métodos de aprendizaje automático: la estimación por contraste de ruido (Noise Contrastive Estimation, NCE) y su evolución InfoNCE. Ambos sirven para estimar los parámetros de una distribución estadística cuando el número de clases posibles es muy gr
GrassDx es una herramienta en línea que, mediante inteligencia artificial, analiza el estado del césped del usuario a partir de hasta cuatro fotografías guiadas: una vista general, un primer plano, el borde entre la zona sana y la dañada, y un detalle de una hoja. El usuario solo debe subir las imág
El Mundial de 2026 estrenará el arsenal tecnológico más avanzado visto hasta ahora en una competición de fútbol para asistir a árbitros y jueces de línea en penaltis, fueras de juego y demás decisiones clave. A los ya conocidos sistemas de videoarbitraje (VAR) y de offside semiautomatizado (SAOT) se
Este proyecto de software implementa una cadena de visión por computador en tiempo real para placas basadas en el SoC Rockchip RK3588S, capaz de detectar vehículos aéreos no tripulados (UAV) con el modelo YOLOv8n. Su principal logro técnico es aprovechar al máximo la cámara: mediante un pool de infe
Una forma de automatizar los ‘me gusta’ y comentarios en Instagram consiste en usar visión por computadora para detectar visualmente los botones en pantalla, en lugar de depender del código HTML de la plataforma. La estructura de Instagram cambia constantemente, pero la interfaz de usuario (UI) se m
Transload es una startup del programa Y Combinator P26 fundada por Julius, Jago y Nils que ayuda a las empresas de transporte de carga LTL (less-than-truckload) a medir las dimensiones de los envíos utilizando las cámaras de CCTV ya instaladas en sus terminales. En lugar de instalar estaciones dedic
La versión 5 de OpenCV, la biblioteca de referencia en visión por computador con más de 86.000 estrellas en GitHub y un millón de instalaciones diarias, se publicará el 8 de junio en PyPI. Se trata de la mayor revisión del proyecto en años, coordinada por la organización sin ánimo de lucro OpenCV.or
DINOv3, un modelo de visión por computadora publicado por Meta en 2025, comprime cualquier imagen en un vector de 384 números que codifica su contenido semántico. Un nuevo experimento explica cómo visualizar y desglosar ese espacio latente para entender qué información captura realmente la red. El
Un equipo de investigación presenta un método para generar imágenes cuya estructura interna coincide con la de una imagen de referencia, sin necesidad de entrenar una red neuronal. La técnica, descrita en un artículo depositado en arXiv, se basa en construir un conjunto de datos a partir de los parc
El ensayo analiza por qué los ingenieros especializados en inteligencia artificial podrían ser reemplazados por la propia IA antes que otros perfiles técnicos. El autor, ingeniero de IA, parte de una conversación recurrente con colegas: cuando afirma que la IA sustituirá su trabajo, le responden que
REST3D es un marco de trabajo de investigación que reconstruye escenas tridimensionales físicamente estables a partir de una única imagen RGB. El proyecto, presentado como preprint en arXiv por Xiaoxuan Ma, Jiashun Wang, Nicolás Ugrinovic, Yehonathan Litman y Kris Kitani, aborda una limitación habit
Rudus, una startup de la cohorte Y Combinator P26 fundada por Rishi y Sahil, ha presentado una herramienta de inteligencia artificial diseñada específicamente para subcontratistas de hormigón. Su objetivo es automatizar una de las tareas más laboriosas del sector: la medición de materiales a partir
**Terminal meets 3D: tsplat lleva el Gaussian Splatting a entornos solo CPU** **1. Introducción** El Gaussian Splatting (GS) es una técnica de representación volumétrica que modela escenas tridimensionales mediante cientos de miles de elipsoides semitransparentes (splats). Hasta ahora su visualizac
Investigadores de la Universidad Beihang de Beijing desarrollaron SFHformer, un nuevo marco de restauración de imágenes que combina la Transformada Rápida de Fourier (FFT) con arquitectura Transformer. El trabajo fue aceptado en la conferencia ECCV 2024 y publicado en octubre de ese año. Este framew
TIPSv2 representa una nueva generación de modelos de codificación de imágenes y texto, diseñados para mejorar el rendimiento en una amplia gama de tareas multimodales y de visión artificial. El núcleo de la innovación reside en una observación sorprendente: la destilación (un proceso de aprendizaje
Roboflow está buscando talento para construir el futuro de la visión artificial (Computer Vision). En esencia, la visión artificial es la rama de la inteligencia artificial que permite a las máquinas 'ver' e interpretar imágenes y videos, de manera similar a como lo hacen los humanos. Esto es crucia
El programa "AI & Beyond Internship Incubator" de Bitmovin (verano de 2026) es una iniciativa de formación intensiva diseñada para estudiantes y recién graduados interesados en la inteligencia artificial (IA) y sus aplicaciones, especialmente en el contexto del procesamiento de video y streaming. Au
