3963 articles
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.
Ce papier présente NarrLV, le premier benchmark conçu pour évaluer de manière exhaustive la capacité des modèles de génération vidéo à long terme à exprimer des récits complexes, en introduisant de nouveaux concepts théoriques et métriques basés sur la théorie cinématographique.
Ce papier présente TomatoMAP, un jeu de données complet de 64 464 images annotées de tomates acquises via un système IoT, conçu pour améliorer la phénotypage de précision grâce à des modèles d'apprentissage profond validés par une analyse comparée avec des experts humains.
Ce papier présente ExDD, un cadre novateur pour la détection de défauts industriels qui surpasse les limites des approches unilatérales en modélisant explicitement des distributions doubles via des banques de mémoire parallèles et en palliant la rareté des données grâce à une synthèse de défauts par des modèles de diffusion conditionnés textuellement.
Ce papier propose GSSR, une méthode d'optimisation individuelle des gaussiennes qui, inspirée des surfaces d'ensembles de points, assure une répartition uniforme et une alignement précis des normales le long de la surface latente pour améliorer la précision géométrique et l'édition de scènes dans le cadre du 3D Gaussian Splatting.
Cet article présente un système multi-agents basé sur un modèle de langage multimodal qui améliore considérablement l'extraction automatisée d'informations chimiques à partir de la littérature, surpassant l'état de l'art avec un score F1 de 76,27 % et démontrant une grande polyvalence pour divers types de tâches d'extraction.
Ce papier présente MAP, une méthode de décodage sans entraînement qui atténue les hallucinations des modèles vision-langage en traitant leurs états cachés comme une carte sémantique 2D et en utilisant des opérations d'attention à l'échelle de la carte pour améliorer la cohérence factuelle.