neurips-logo

NVIDIA en NeurIPS 2021

A la vanguardia de la innovación en IA, NVIDIA continúa empujando los límites de la tecnología en machine learning, vehículos autónomos, robótica, gráficos y más. Los investigadores de NVIDIA presentarán 20 artículos en NeurIPS del 6 al 14 de diciembre de 2021. Únete a nosotros para ver los últimos avances en investigación.

Lo Último en IA y Gráficos

Presentaciones Virtuales de Investigación

Nuestros artículos aceptados presentan una gama de investigaciones innovadoras. Explora el trabajo excepcional que estamos brindando a la comunidad de NeurIPS, desde GAN sin alias que crean imágenes fotorrealistas hasta segmentación semática con transformadores.

Redes Adversarias Generativas Sin Alias

Tero Karras, Miika Aittala, Samuli Laine, Erik Härkönen, Janne Hellsten, Jaakko Lehtinen, Timo Aila | Artículo

EditGAN: Edición de Imágenes Semánticas de Alta Precisión

Huan Ling*, Karsten Kreis*, Daiqing Li, Seung Wook Kim, Antonio Torralba, Sanja Fidler | Artículo

Modelado Generativo Basado en Puntuaciones en el Espacio Latente

Arash Vahdat, Karsten Kreis, Jan Kautz | Artículo

Aprendizaje de Correspondencia Densa en 3D a través de un Autocodificador de Puntos Canónicos

An-Chieh Cheng, Xueting Li, Min Sun, Ming-Hsuan Yang, Sifei Liu | Artículo

No Me Generes: Entrenamiento Diferenciado de Modelos Generativos Privados con la Divergencia Sinkhorn

Tianshi Cao, Alex Bie, Arash Vahdat, Sanja Fidler, Karsten Kreis | Artículo

Generación Controlable y Composicional con Modelos Basados en Energía y Espacio Latente

Weili Nie, Arash Vahdat, Anima Anandkumar | Artículo

Obstáculo Dinámico para una Exploración Robusta y Autosupervisada

Chenjia Bai, Lingxiao Wang, Lei Han, Animesh Garg, Jianye Hao, Peng Liu, Zhaoran Wang | Artículo

Autómatas Híbridos Neuronales: Dinámicas de Aprendizaje con Múltiples Modos y Transiciones Estocásticas

Michael Poli, Stefano Massaroli, Luca Scimeca, Seong Joon Oh, Sanghyuk Chun, Atsushi Yamashita, Hajime Asama, Jinkyoo Park, Animesh Garg | Artículo

Drop-DTW: Alinear una Señal Común entre Secuencias Mientras Se Abandonan los Valores Atípicos

Nikita Dvornik, Isma Hadji, Konstantinos G. Derpanis, Animesh Garg, Allan D. Jepson | Artículo

Tetraedros de Marcha Profunda: Una Representación Híbrida para la Síntesis de Alta Resolución en Forma de 3D

Tianchang Shen, Jun Gao, Kangxue Yin, Ming-Yu Liu, Sanja Fidler | Artículo

ATISS: Transformadores Autorregresivos para la Síntesis de Escenas Interiores

Despoina Paschalidou, Amlan Kar, Maria Shugrina, Karsten Kreis, Andreas Geiger, Sanja Fidler | Artículo

Hacia Estrategias Óptimas para Entrenar Modelos de Percepción de Conducción Autónoma en Simulación

David Acuña, Jonás Philion, Sanja Fidler | Artículo

Redes Neuronales Ultrahiperbólicas

| de Marc Law Artículo

SegFormer: Diseño Simple y Eficiente para la Segmentación Semántica con Transformadores

Enze Xie, Wenhai Wang, Zhiding Yu, Anima Anandkumar, Jose M. Alvarez, Ping Luo  | Artículo

Reconocimiento de Nube de Puntos 3D Adversarialmente Robusto mediante Autosupervisiones

Jiachen Sun, Yulong Cao, Christopher Choy, Zhiding Yu, Anima Anandkumar, Z. Morley Mao, Chaowei Xiao |   Artículo

AugMax: Composición Adversarial de Aumentos Aleatorios para un Entrenamiento Robusto

Haotao Wang, Chaowei Xiao, Jean Kossaifi, Zhiding Yu, Anima Anandkumar, Zhangyang Wang | Artículo

Transformador Largo-Corto: Transformadores Eficientes para el Lenguaje y la Visión

Chen Zhu, Wei Ping, Chaowei Xiao, Mohammad Shoeybi, Tom Goldstein, Anima Anandkumar, Bryan Catanzaro | Artículo

Aprendizaje Federado Personalizado con Procesos Gaussianos

Idan Achituve, Aviv Shamsian, Aviv Navon, Gal Chechik, Ethan Fetaya | Artículo

Mejorar los Agentes sin Reentrenamiento: Búsqueda Paralela en Árbol con Corrección Fuera de la Política

Assaf Hallak, Gal Dalal, Steven Dalton, Iuri Frosio, Shie Mannor, Gal Chechik | Artículo

DIB-R++: Aprender a Predecir la Iluminación y el Material con un Renderizador Híbrido Diferenciable

Wenzheng Chen, Joey Litalien, Jun Gao, Zian Wang, Clement Fuji Tsang, Sameh Khamis, Or Litany, Sanja Fidler | Artículo

Entra en nuestro sorteo para tener la oportunidad de ganar una GPU de NVIDIA.
PARTICIPAR AHORA

Demostraciones Destacadas

NVIDIA GauGAN2

NVIDIA GauGAN2

El software es uno de los primeros en combinar múltiples modalidades (texto, segmentación semántica, boceto y estilo) dentro de un solo framework de GAN. Esto hace que sea más rápido y fácil convertir la visión de un artista en una imagen de alta calidad generada por IA.

VER AHORA >
NVIDIA Omniverse para el Proyecto Maxine

NVIDIA Omniverse para el Proyecto Maxine

Para permitir una mejor comunicación y comprensión, el Proyecto Maxine integra la traducción en tiempo real y el texto a voz de NVIDIA Riva con un "retrato en vivo" de animación fotográfica y contacto visual en tiempo real.

VER AHORA >
Reconstrucción de Entornos 3D a partir de Imágenes 2D

Reconstrucción de Entornos 3D a partir de Imágenes 2D

NVIDIA Metropolis aprovecha la transmisión de video para detectar, rastrear, inferir poses 3D y reconstruir escenas 3D completas.

VER AHORA >
La Robótica Avanza con el Razonamiento Visual y la IA Conversacional

La Robótica Avanza con el Razonamiento Visual y la IA Conversacional

En esta demostración, Gemini, un sistema robótico que integra tanto el diálogo como el razonamiento visual, recupera objetos y se los entrega a una persona.

VER AHORA >
GANverse3D: NVIDIA Recrea a KITT de

KITT, el Vehículo de El Auto Fantástico Cobra Vida Gracias a la IA

NVIDIA GANverse3D es un potente avance para los modelos 2D a 3D. Ahora, es posible crear un modelo 3D y que se puede animar partir de una sola imagen 2D.

VER AHORA >
Creación de Avatares Digitales en Tiempo Real

Creación de Avatares Digitales en Tiempo Real

Descubre cómo esta tecnología de IA, que ganó el premio Best in Show en SIGGRAPH 2021, se puede utilizar para videoconferencias, narración de historias, asistentes virtuales y más.

VER AHORA >
Catálogo NVIDIA NGC

Catálogo NVIDIA NGC

Las colecciones del catálogo NVIDIA NGC™ están seleccionadas en paquetes fáciles de usar que permiten detectar contenedores de frameworks compatibles, modelos, Jupyter Notebooks y otros recursos para que comiences más rápido con tus casos de uso de IA.

VER AHORA >
NVIDIA Maxine​

NVIDIA Maxine​

NVIDIA Maxine™ es un SDK acelerado por GPU con características de IA de vanguardia para desarrollar aplicaciones de colaboración virtual y de creación de contenido, como videoconferencias y transmisión en vivo.

VER AHORA >

Capacitaciones y Recursos

Programa para Desarrolladores de NVIDIA

Programa para Desarrolladores de NVIDIA

Obtén las herramientas avanzadas y la capacitación que necesitas para crear aplicaciones con éxito en todas las plataformas tecnológicas de NVIDIA.

MÁS INFORMACIÓN >
Desbloquea el Potencial de tu Startup

Desbloquea el Potencial de tu Startup

El programa Inception de NVIDIA apoya a las startups de tecnología de vanguardia que están revolucionando las industrias. El programa ofrece tecnología, experiencia y soporte para el lanzamiento al mercado, todo adaptado a la evolución de la empresa, sin importar el tamaño o la etapa de financiamiento en la que se encuentra. 

UNIRSE AHORA ›
Programa Acelerador de Investigaciones Aplicadas de NVIDIA

Programa Acelerador de Investigaciones Aplicadas de NVIDIA

El programa Acelerador de Investigaciones Aplicadas de NVIDIA respalda proyectos de investigación que pueden generar un impacto en el mundo real mediante la implementación en aplicaciones aceleradas por GPU que adoptan organizaciones comerciales y gubernamentales.

MÁS INFORMACIÓN >
Acelera la Investigación de Deep Learning en 3D con Nuevas Funciones de Kaolin

Acelera la Investigación de Deep Learning en 3D con Nuevas Funciones de Kaolin

Kaolin está lanzando nuevas funciones para acelerar la investigación de deep learning en 3D. Las actualizaciones de la aplicación Kaolin de NVIDIA Omniverse™ traerán una visualización robusta de enormes nubes de puntos. Las actualizaciones de la biblioteca de Kaolin incluirán soporte para mallas tetraédricas, funcionalidad de gestión de rayos y una fuerte aceleración de DIB-R.

¿QUIERES OBTENER MÁS INFORMACIÓN›
Generación de Datos Sintéticos para Modelos de Percepción de Entrenamiento

Generación de Datos Sintéticos para Modelos de Percepción de Entrenamiento

Los modelos de percepción de entrenamiento requieren conjuntos de datos extremadamente grandes y complejos. El ensamblaje puede ser costoso, lento, peligroso e incluso imposible para ciertos casos. Los desarrolladores pueden tomar parámetros fáciles de entender y generar datos sintéticamente para machine learning mediante el uso de Omniverse Replicator para Isaac Sim.

VER AHORA >

UN LUGAR DE TRABAJO DIFERENTE
A TODOS LOS DEMÁS

Cuando trabajas en NVIDIA, tienes la oportunidad de resolver algunos de los problemas más difíciles del mundo y descubrir formas nunca antes vistas de mejorar la calidad de vida de las personas en todas partes, desde el área de la salud, los robots y los vehículos autónomos hasta las películas taquilleras, y una creciente lista de nuevas oportunidades cada día.

Obtén más información sobre nuestras oportunidades de carrera explorando las ofertas de trabajo actuales y los trabajos para estudiantes universitarios.

MÁS INFORMACIÓN

Regístrate para recibir las últimas noticias de NVIDIA.

Suscribirte
Investigación en NVIDIA
Más
NVIDIA
Información Corporativa
Noticias y Eventos
Links Populares