3604 articles
Le papier présente 3DMedAgent, un agent unifié qui permet aux modèles de langage multimodaux 2D d'analyser des données médicales 3D complexes via une décomposition progressive des tâches et une mémoire structurée, surpassant ainsi les méthodes existantes sur plus de 40 tâches d'imagerie thoracique.
Cet article démontre que les architectures apprenant des opérateurs équivariants dans un espace latent peuvent améliorer la reconnaissance d'objets face à des transformations symétriques inédites sur des données MNIST, tout en soulignant les défis restants pour leur passage à l'échelle sur des ensembles de données plus complexes.
Le papier présente OVerSeeC, un cadre modulaire zéro-shot qui génère des cartes de coût globales pour la planification autonome à partir d'images satellites et de directives en langage naturel, en décomposant le processus en interprétation, localisation et synthèse pour s'adapter à des missions variées et à des entités inconnues.
Cet article introduit le nouveau cadre de la généralisation de domaine à vocabulaire ouvert pour la segmentation sémantique urbaine, accompagné d'un benchmark dédié et d'une méthode innovante nommée S2-Corr, qui améliore la robustesse des modèles face aux changements de domaine et aux catégories inédites en affinant les corrélations texte-image.
Le papier présente UniMatch, un cadre novateur utilisant des modèles de langage multimodaux pour établir des correspondances sémantiques denses entre des formes 3D non isométriques de catégories variées grâce à une approche en deux étapes, allant d'une segmentation sémantique grossière à un apprentissage fin guidé par le langage.
L'article propose InfScene-SR, une méthode de super-résolution d'images basée sur les modèles de diffusion qui permet de traiter des images de taille arbitraire sans artefacts de bordure grâce à une fusion itérative de patches corrigée par variance, rendant ainsi possible un inférence parallèle efficace sur des scènes gigapixels.
Cet article propose une méthode de décomposition et de recomposition en ligne des objets, des scènes et des poses de caméra pour générer des données d'entraînement diversifiées et améliorer l'efficacité de la détection 3D d'objets monoculaire, même avec des annotations limitées.
Cet article présente un cadre de décomposition d'images en couches basé sur l'apprentissage contextuel et l'adaptation LoRA de modèles de diffusion, qui utilise une stratégie d'ajustement cyclique et un processus d'amélioration progressive pour séparer efficacement des éléments complexes comme les logos de leurs arrière-plans tout en préservant la cohérence visuelle.
Cet article présente un cadre d'inférence itératif et sans entraînement, nommé « See It, Say It, Sorted », qui atténue les hallucinations visuelles dans les modèles de langage-vision en supervisant chaque étape du raisonnement par des preuves visuelles dynamiquement extraites de l'image.
Cette article présente une approche unifiée de la segmentation sémantique pour les images et les vidéos qui transforme les masques en séquences de tokens discrets via un codage par longueurs de course (RLE) et un modèle de langage autorégressif, tout en intégrant des stratégies de compression et des informations d'instances pour la segmentation panoptique.
Le papier présente WISER, un cadre d'extraction d'images composées sans entraînement qui améliore la recherche zéro-shot en unifiant les approches texte-vers-image et image-vers-image via un pipeline d'exploration élargie, de fusion adaptative et de réflexion itérative pour surmonter les limites des méthodes existantes.
Le papier présente PackUV, une nouvelle méthode de représentation 4D qui convertit les attributs gaussiens en cartes UV structurées pour une compatibilité native avec les codecs vidéo standards, permettant ainsi un stockage compact et un streaming efficace de vidéos volumétriques de longue durée grâce à la méthode d'ajustement PackUV-GS et au nouveau jeu de données PackUV-2B.
Ce papier présente HART, une méthode d'apprentissage par renforcement sans annotation qui permet aux modèles multimodaux de grande taille de raisonner efficacement sur des images haute résolution en identifiant et en vérifiant automatiquement les régions clés.
Ce papier présente l'Infinite Self-Attention (InfSA), une reformulation spectrale de l'attention qui modélise les interactions entre jetons comme une diffusion sur un graphe, et propose sa variante linéaire (Linear-InfSA) permettant aux Transformers de vision de traiter des images de très haute résolution avec une efficacité computationnelle et énergétique accrue tout en surpassant les architectures basées sur le softmax.
Le papier présente WildActor, un cadre de génération vidéo humain qui préserve l'identité corporelle sous des angles et des mouvements variés grâce à un nouveau jeu de données à grande échelle (Actor-18M) et à des mécanismes d'attention asymétrique combinés à un échantillonnage adaptatif.
Ce papier de position soutient que l'évaluation des systèmes de traitement visuel doit évoluer d'une approche centrée sur des métriques objectives vers une approche humanocentrée, contextuelle et nuancée, afin de mieux refléter la perception humaine et de ne pas entraver l'innovation.
Le papier présente DeAR, un cadre d'adaptation fine-granularité pour les modèles vision-langage qui décompose les rôles des têtes d'attention pour isoler les connaissances de généralisation des tâches spécifiques, permettant ainsi d'équilibrer efficacement l'adaptation aux tâches et la préservation des capacités zéro-shot.
Ce papier propose le cadre MSP, qui améliore la ré-identification des personnes changeant de vêtements en atténuant la dépendance aux coiffures grâce à l'augmentation orientée coiffure, à l'éraflage aléatoire préservant les vêtements et à une attention basée sur le parsing des régions.
Cette étude propose une pipeline de détection gating innovante qui améliore la robustesse et la généralisation de l'extraction de la forme d'onde de la surface glottique à partir de vidéolaryngoscopies haute vitesse, permettant ainsi une évaluation clinique fiable des biomarqueurs vocaux sur des plateformes diverses.
Cet article propose un cadre robuste combinant l'architecture hybride CoAtNet et la technique de « model soups » pour améliorer la classification des images du patrimoine culturel immatériel du delta du Mékong, atteignant des performances de pointe en réduisant la variance grâce à un ensemencement intelligent de checkpoints géométriquement diversifiés.