3928 articles
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.
Ce papier présente SCOTT, une architecture de tokenisation convolutive combinée à un cadre MIM-JEPA, qui permet d'entraîner des Vision Transformers à partir de zéro sur de petits ensembles de données avec des performances compétitives, démontrant ainsi qu'il est possible de s'affranchir du paradigme du Big Data pour l'apprentissage de représentations en vision par ordinateur.
Le papier présente NAMI, une architecture de transformateurs à flux rectifié progressif et ponté qui améliore l'efficacité de la génération d'images en décomposant le processus sur plusieurs résolutions, réduisant ainsi le temps d'inférence de 64 % pour des images de 1024 pixels tout en maintenant une qualité compétitive.
Le papier présente ECLARE, une méthode d'apprentissage croisé planaire efficace qui améliore la résolution anisotrope des volumes IRM cliniques en estimant le profil de coupe et en apprenant directement à partir des données d'acquisition pour surmonter les limitations des méthodes précédentes, notamment le décalage de domaine et les facteurs de suréchantillonnage arbitraires.
Le papier présente EarthScape, un jeu de données multimodal prêt pour l'IA conçu pour automatiser la cartographie géologique de surface en intégrant des modèles numériques de terrain, des images aériennes et des données vectorielles, tout en démontrant que les caractéristiques topographiques constituent le signal prédictif le plus fiable pour ce type de tâche.
Cet article propose un ensemble de tests fondés sur des mesures psychophysiques de la vision de bas niveau pour évaluer la capacité de 34 métriques de qualité d'image et de vidéo à modéliser des mécanismes perceptuels clés tels que la sensibilité au contraste, le masquage et l'adaptation, révélant ainsi des limites et des comportements spécifiques non détectables par les protocoles d'évaluation standards.
Le papier présente FindAnything, un cadre de cartographie open-vocabulary qui intègre des informations vision-langage dans des sous-cartes volumétriques centrées sur les objets pour permettre une compréhension sémantique précise et économe en ressources, facilitant ainsi l'exploration autonome de grands environnements inconnus par des robots.
Le papier présente GenCLIP, un cadre innovant qui améliore la détection d'anomalies en zéro-shot en apprenant des prompts généraux stables grâce à une incitation multi-couches et une inférence à double branche pour équilibrer spécificité et généralisation.
Ce papier présente EVA, un nouveau cadre d'apprentissage de caractéristiques asynchrones inspiré du langage qui surpasse les méthodes existantes en reconnaissance et devient le premier à réussir des tâches de détection exigeantes pour les caméras d'événements.
Ce papier présente BusterX, un modèle MLLM entraîné par renforcement qui transforme la détection de falsifications vidéo en un tâche de raisonnement visuel, accompagné du jeu de données GenBuster-200K et du benchmark GenBuster-Bench pour évaluer la précision et l'explicabilité des systèmes face aux évolutions des générateurs d'IA.
DVD-Quant est un cadre de quantification sans données innovant pour les Transformers de diffusion vidéo qui, grâce à trois techniques clés, permet une accélération d'environ deux fois et une quantification W4A4 sans compromettre la qualité visuelle.
Ce papier présente Alchemist, une nouvelle méthodologie et un jeu de données de fine-tuning supervisé compact mais performant, conçu pour améliorer significativement la qualité esthétique et l'alignement des modèles de génération d'images texte-à-image publics sans sacrifier la diversité.
Cet article propose un cadre novateur de condensation de données par instance (IDC) spécifiquement conçu pour la super-résolution d'images, qui utilise l'extraction de caractéristiques de Fourier locale aléatoire et l'adaptation de distributions de caractéristiques multi-niveaux pour générer un jeu de données synthétique compact (10 % de DIV2K) offrant des performances comparables à l'ensemble de données original.
Ce papier présente VisioMath, un nouveau benchmark de 1 800 problèmes mathématiques K-12 basé sur des diagrammes visuellement similaires, qui révèle les limites actuelles des modèles multimodaux dans le raisonnement comparatif fin et propose des stratégies d'alignement pour améliorer leur précision.
Le papier présente VisualPrompter, un cadre d'ingénierie de prompts sans entraînement qui améliore l'alignement sémantique entre les descriptions utilisateurs et les images générées en utilisant un module d'autoréflexion visuelle pour identifier et intégrer des concepts manquants au niveau atomique.
Le papier propose SPoT, une nouvelle stratégie de tokenisation pour les Vision Transformers qui positionne continuellement les tokens au niveau subpixel grâce à une recherche guidée par oracle, permettant ainsi de réduire considérablement le nombre de tokens nécessaires pour des prédictions précises tout en transformant la sparsité en un avantage stratégique.
Le papier présente SPARC, un cadre innovant utilisant des autoencodeurs clairsemés alignés pour créer un espace latent unifié et compatible entre différents modèles et modalités, permettant ainsi une interprétabilité croisée directe et des applications pratiques comme la localisation guidée par le texte.
Ce papier présente ToBo, une méthode d'apprentissage auto-supervisé qui condense les scènes dynamiques en un jeton unique pour capturer efficacement les dépendances temporelles et améliorer les tâches de compréhension séquentielle comme le suivi vidéo et la manipulation robotique.