3925 articles
Ce papier présente OccTrack360, un nouveau benchmark pour le suivi d'occupation 4D panoptique à partir de caméras grand-angle, ainsi que la méthode FoSOcc qui améliore la localisation spatiale et la projection sphérique pour établir une référence solide dans ce domaine.
Les auteurs présentent l'Interactive World Simulator, un cadre utilisant des modèles de cohérence pour générer des simulations robotiques interactives, rapides et physiquement cohérentes, permettant d'entraîner et d'évaluer des politiques d'imitation avec des performances comparables à celles obtenues avec des données réelles.
Cet article propose l'algorithme Online FISTA, une méthode de reconstruction en ligne par codage parcimonieux qui permet l'imagerie SAR avec des contraintes de mémoire et de calcul réduites, facilitant ainsi des tâches de reconnaissance de cibles en temps réel sur des drones autonomes.
Le papier présente DualFlexKAN, une architecture innovante de réseaux de Kolmogorov-Arnold à double étage qui, en découplant les transformations d'entrée et les activations de sortie, permet de combiner expressivité et efficacité computationnelle pour surpasser les MLP et les KAN classiques avec une fraction du nombre de paramètres.
PRISM est un modèle fondamental unique qui révolutionne la génération de mouvements humains en streaming grâce à un espace latent factorisé par articulation et une injection de condition sans bruit, permettant ainsi de maîtriser simultanément la génération texte-vers-mouvement, la synthèse conditionnée par la pose et la composition narrative sur de longues séquences avec une qualité d'état de l'art.
Cette étude propose un cadre d'apprentissage faiblement supervisé combinant un réseau enseignant-élève et un raffinement progressif de masques pseudo-étiquetés pour réaliser une segmentation précise et généralisable des glandes dans l'histopathologie du cancer colorectal, réduisant ainsi la dépendance aux annotations pixel par pixel.
Ce papier présente RAF, une méthode d'augmentation par récupération qui améliore la généralisation des expressions des avatars de tête sans modèle en exposant le champ de déformation à un large éventail d'expressions extraites d'une banque non étiquetée, renforçant ainsi la robustesse et la fidélité sans nécessiter de données appariées ni d'annotations supplémentaires.
Cet article propose un modèle de détection d'objets RGB-D en temps réel intégrant une hyper-involution pondérée par une fonction de base radiale dynamique et une couche de fusion rééchantillonnée pour surmonter les défis de l'extraction simultanée de caractéristiques photométriques et de profondeur, obtenant ainsi les meilleures performances sur le jeu de données NYU Depth V2.
Cet article propose un système de détection d'hallucinations visuelles dans les images de personnages de dessins animés générés par IA, utilisant un modèle vision-langage enrichi par des informations de pose et l'apprentissage en contexte pour améliorer significativement la précision par rapport aux méthodes basées uniquement sur les images RVB.
Le papier propose Fuse4Seg, un cadre novateur qui reformule la fusion d'images médicales multimodales comme un problème d'optimisation bi-niveau coopératif guidé par des gradients sémantiques de segmentation, permettant ainsi de préserver la fidélité physique et d'améliorer les performances de segmentation tout en offrant une interprétabilité clinique transparente.
Le papier présente PACE, une méthode de fine-tuning efficace en paramètres qui améliore la généralisation des modèles en réduisant les normes des gradients et en assurant la cohérence des modèles via une régularisation par bruit multiplicatif, surpassant ainsi les approches existantes sur diverses tâches visuelles et textuelles.
Le papier présente FALCON, une méthode d'apprentissage auto-supervisé unifiée pour la reconnaissance d'actions par drone, qui surmonte les déséquilibres spatiaux des vidéos aériennes en intégrant un masquage centré sur les objets et une reconstruction du futur à double horizon pour améliorer la précision et la vitesse d'inférence.
L'article présente AuthFace, un cadre innovant qui améliore la restauration aveugle des visages en affinant un modèle de diffusion préentraîné sur un jeu de données photographiques de haute qualité et en introduisant une perte de caractéristiques faciales latentes temporelles pour générer des résultats plus authentiques et détaillés.
Cet article propose une méthode d'apprentissage auto-supervisé basée sur l'auto-cohérence et un réseau léger pour reconstruire efficacement des données sismiques irrégulières sans nécessiter de jeux de données supplémentaires.
Le papier présente PPLLaVA, un modèle qui surmonte les goulots d'étranglement computationnels des LLM vidéo en utilisant une stratégie de regroupement guidée par les instructions pour compresser de manière agressive les tokens visuels tout en préservant les sémantiques pertinentes, permettant ainsi de traiter efficacement des vidéos longues avec des performances de pointe.
Le papier présente Ditto, un cadre de synthèse de têtes parlantes basé sur la diffusion qui permet un contrôle fin et une inférence en temps réel en générant des représentations dans un espace de mouvement spécifique tout en optimisant l'architecture pour résoudre les problèmes de désentanglement et de latence.
Ce papier présente LEO, une architecture simple et efficace qui améliore la compréhension visuelle des modèles multimodaux en intégrant un mélange d'encodeurs de vision via une fusion légère et un intercalage de tuiles, surpassant les approches existantes sur divers benchmarks et s'adaptant bien au domaine de la conduite autonome.
FeatureGS améliore la reconstruction 3D en intégrant une fonction de perte géométrique basée sur des caractéristiques d'auto-valeurs, ce qui permet d'obtenir une précision géométrique supérieure, de réduire considérablement les artefacts flottants et le nombre de gaussiennes, tout en conservant une qualité de rendu photométrique équivalente.
Ce papier présente PoI, un cadre qui améliore la régression des coordonnées de scène en combinant la synthèse de nouvelles vues par 3DGS et un modèle de diffusion avec une stratégie de filtrage progressif des pixels basée sur l'erreur de reprojection pour garantir la fiabilité des données d'entraînement.
Ce rapport de synthèse présente une vue d'ensemble structurée des techniques, des ensembles de données et des enjeux éthiques liés à l'utilisation des grands modèles de langage pour assister les chercheurs dans l'ensemble du cycle scientifique, de la découverte et l'expérimentation à la génération de contenu multimodal et à l'évaluation.