3919 articles
Le papier propose SAVE, une nouvelle méthode d'apprentissage de représentations vidéo-sonores qui améliore les performances de la recherche vidéo-texte en intégrant un branchement dédié au traitement de la parole et une alignement précoce vision-son, surpassant ainsi les méthodes actuelles sur plusieurs benchmarks.
Le papier propose SRNeRV, un cadre récursif à l'échelle qui améliore l'efficacité des paramètres et les performances de compression vidéo en partageant un module de mélange de canaux commun entre les échelles, tout en conservant des modules spatiaux spécifiques pour capturer les motifs locaux.
Le papier présente GarmentPainter, un cadre efficace qui génère des textures de vêtements 3D de haute qualité et cohérentes dans l'espace UV en utilisant un modèle de diffusion guidé par la position UV et une image de référence de personnage, sans nécessiter d'alignement spatial strict ni modifier l'architecture UNet sous-jacente.
Cette étude propose une analyse approfondie de l'utilisation de l'imagerie ultra-grand champ couplée à des méthodes d'apprentissage profond, notamment les transformers et les modèles de fondation, pour améliorer la détection de la rétinopathie diabétique et de l'œdème maculaire diabétique tout en assurant une meilleure robustesse et interprétabilité des modèles.
Ce papier présente SiMO, une méthode de perception collaborative qui résout les problèmes de défaillance des capteurs et de compétition entre modalités grâce à une fusion adaptative et une stratégie d'entraînement innovante, garantissant ainsi des performances optimales même en l'absence de certains capteurs.
Cet article propose une reformulation de la transformée de Hough pour la détection de lignes dans des nuages de points, en remplaçant le schéma de vote discret par une fonction de score continue dont les caractéristiques persistantes, calculées via l'homologie persistante, identifient les lignes candidates.
Le papier présente DynamicVGGT, un cadre unifié de reconstruction 4D qui étend VGGT pour modéliser le mouvement des points dans des scènes dynamiques de conduite autonome grâce à une attention temporelle consciente du mouvement et une tête de splatting gaussien 3D dynamique, surpassant ainsi les méthodes existantes en précision de reconstruction.
Ce papier propose WaDi, un cadre de distillation unifié pour la synthèse d'images en une seule étape qui, en exploitant l'observation que les changements de direction des poids sont prédominants par rapport à leur norme, introduit l'adaptateur LoRaD pour atteindre des performances de pointe avec seulement 10 % des paramètres entraînables.
Cet article propose une méthode d'apprentissage sans réseau pour le suivi de pose 6D d'objets, qui fusionne la haute résolution temporelle des caméras d'événements avec une correction basée sur des modèles pour surpasser les performances des algorithmes existants dans des environnements dynamiques rapides.
Ce papier propose une méthode d'effacement de concepts dans les modèles de diffusion qui, en exploitant la géométrie des embeddings latents pour identifier et utiliser des prototypes de concepts comme signaux de conditionnement négatif, permet d'éliminer de manière fiable des concepts larges et complexes tout en préservant la qualité des images générées.
Le papier propose OSCAR, une méthode de complétion de forme basée sur l'occupation et les représentations implicites neuronales acoustiques, qui permet de reconstruire avec précision la géométrie 3D complète de la colonne vertébrale à partir d'observations ultrasonores partielles sans nécessiter d'étiquettes anatomiques lors de l'inférence.
L'article présente SP-CLIP, un cadre léger qui améliore la reconnaissance d'actions à zéro exemple en enrichissant les modèles vision-langage avec des invites sémantiques structurées décrivant les actions à plusieurs niveaux d'abstraction, sans modifier l'encodeur visuel ni apprendre de nouveaux paramètres.
Cet article propose une méthode de génération d'images CT à partir de texte qui améliore la fidélité anatomique et la cohérence clinique en récupérant des cas cliniques pertinents via un encodeur vision-langage 3D pour guider un modèle de diffusion latent, comblant ainsi le fossé entre le contrôle sémantique et la plausibilité anatomique.
Cet article propose un cadre de fine-tuning innovant qui améliore la robustesse des Vision Transformers face aux changements de distribution en alignant leurs cartes de pertinence sur des masques de concepts sémantiques générés automatiquement, réduisant ainsi la dépendance aux corrélations spurious.
Le papier présente HDR-NSFF, une méthode innovante qui reconstruit des champs de radiance haute dynamique (HDR) à partir de vidéos monoculaires à expositions alternées en modélisant la scène de manière spatio-temporelle continue via des champs de radiance neuronaux ou des splats gaussiens 4D, surpassant ainsi les méthodes traditionnelles 2D pour éliminer les artefacts et assurer une cohérence temporelle dans les scènes dynamiques.
Ce papier présente SlowBA, une nouvelle attaque par porte dérobée qui cible l'efficacité des agents d'interface graphique basés sur des modèles vision-langage en induisant des chaînes de raisonnement excessivement longues via des déclencheurs discrets, augmentant ainsi considérablement la latence de réponse tout en préservant la précision des tâches.
Cette étude comparative à grande échelle révèle que, contrairement aux modèles d'IA qui dégradent leurs performances de manière progressive en s'appuyant sur des caractéristiques contextuelles, les humains reconnaissent les actions égo-centriques grâce à des indices sémantiques critiques et subissent un effondrement brutal de leur précision lorsque ces indices sont supprimés.
Cet article propose un cadre général pour évaluer la fiabilité des cartes de chaleur en apprentissage multiple-instance en histopathologie, démontrant que des méthodes comme LRP et IG surpassent les cartes d'attention et permettent ainsi une validation plus robuste des modèles et la découverte de nouveaux biomarqueurs biologiques.
L'article propose SOT-GLP, une méthode d'apprentissage de prompts combinant des alignements globaux et locaux via un transport optimal équilibré et parcimonieux pour améliorer la précision en few-shot et la détection hors distribution des modèles vision-langage.
Le papier présente VLA, un cadre d'action vision-langage guidé par des connaissances antérieures qui améliore la manipulation robotique en modélisant les variations du monde plutôt que les états futurs absolus, grâce à des modules d'extraction de priorités, de quantification des variations latentes et d'attention conditionnelle.