1863 articles
Le papier présente Splat2Real, une méthode d'apprentissage par imitation utilisant le 3D Gaussian Splatting et un curriculum de couverture-nouveauté (CN-Coverage) pour améliorer la robustesse des modèles de perception 3D monoculars face aux changements de point de vue lors du déploiement d'IA physique.
Le papier présente SLiM, un cadre unifié novateur pour l'apprentissage de représentations squelettiques qui élimine le décodeur lourd des modèles MAE en combinant le masquage et l'apprentissage contrastif, permettant ainsi d'atteindre des performances de pointe avec une réduction significative des coûts computationnels.
Ce papier présente ROVA, un cadre d'entraînement novateur et le benchmark PVRBench conçus pour améliorer la robustesse des modèles de raisonnement vidéo face aux perturbations du monde réel, comblant ainsi l'écart entre les évaluations contrôlées et les déploiements pratiques.
Cet article présente une analyse systématique des choix de conception des embeddings dans les flux de travail d'observation de la Terre basés sur des modèles de fondation géospatiaux, démontrant que des représentations compactes peuvent être efficacement générées et optimisées en ajustant l'architecture, la profondeur et les stratégies d'agrégation pour améliorer les performances des tâches en aval.
Cet article propose une architecture FPGA pipeline optimisée pour la recherche de vecteurs de déplacement dans l'outil de copie de motifs intra (IPC) de JPEG XS, permettant d'atteindre un débit de 38,3 Mpixels/s avec une consommation de 277 mW et facilitant ainsi le déploiement matériel de cette technologie de compression d'images.
Ce papier présente A²-Edit, un cadre d'édition d'images unifié qui, grâce à un nouveau jeu de données diversifié (UniEdit-500K), un module Mixture of Transformer et une stratégie d'entraînement par recuit de masque, permet de remplacer n'importe quel objet ciblé par une référence en utilisant uniquement un masque grossier, surpassant ainsi les méthodes existantes.
L'article MapGCLR propose une approche semi-supervisée pour la construction de cartes HD vectorisées en ligne, qui améliore les performances de perception en utilisant un apprentissage contrastif géospatial sur des données non étiquetées pour enrichir les représentations de caractéristiques en vue aérienne.
Ce papier présente BorderNet, une architecture de réseau de neurones convolutifs inspirée du cortex visuel qui améliore la robustesse à l'occlusion d'images en modélisant mathématiquement la complétion des contours.
Ce papier propose RandMark, une méthode de filigrane numérique aléatoire intégrée dans les représentations internes des modèles de fondation visuels pour vérifier leur propriété intellectuelle avec une faible probabilité d'erreur de détection.
Le papier présente UniCom, un cadre unifié qui harmonise la compréhension et la génération multimodales en utilisant des représentations sémantiques continues compressées via un compresseur attentionnel et une architecture de transfusion, surpassant ainsi les modèles existants en performance de génération et en contrôle pour l'édition d'images.
Le papier présente WalkGPT, un modèle de langage-vision ancré au niveau des pixels qui intègre la segmentation et l'estimation de profondeur pour fournir des guides de navigation piétonne accessibles, accompagné du nouveau benchmark PAVE.
Cet article présente le CTCNet, un réseau de cognition de trafic aérien guidé par le spectre croisé intégrant des modules d'ancrage sémantique et de compensation spectrale, ainsi que le benchmark Traffic-VQA, pour améliorer la compréhension robuste des scènes de trafic par drone dans des conditions d'éclairage dégradées.
Cet article présente le jeu de données eLasmobranc, une collection publique d'images validées par des experts de sept espèces d'élasmobranches de la Méditerranée espagnole, acquises hors de l'eau pour faciliter la reconnaissance fine des espèces et le suivi de la biodiversité grâce à l'intelligence artificielle.
Ce papier présente Just-in-Time (JiT), un cadre d'accélération sans entraînement qui exploite la redondance spatiale des Transformers de diffusion via une sélection dynamique de tokens d'ancrage et un micro-flot déterministe, permettant d'atteindre une accélération jusqu'à 7 fois sur le modèle FLUX.1-dev avec une perte de performance négligeable.
Cette étude propose un système de stéréophotométrie basé sur des événements utilisant une source lumineuse rotative et un réseau neuronal léger par pixel pour estimer les normales de surface sans calibration, surpassant les méthodes existantes en précision et en robustesse face à l'éclairage ambiant et aux spécularités.
Le papier présente CodePercept, une approche qui améliore la perception visuelle des modèles de langage multimodaux dans les domaines STEM en utilisant l'exécution de code comme médium perceptuel, soutenue par un nouveau jeu de données ICC-1M et un benchmark d'évaluation STEM2Code-Eval.
Ce papier propose la Guidance par Dégradation de Condition (CDG), une méthode légère qui remplace le prompt nul par une condition sémantiquement dégradée pour améliorer la précision des modèles de diffusion dans les tâches de composition complexes.
Cet article propose l'utilisation de « Super Neurons », des activations scalaires extraites des premières couches des modèles vision-langage, pour créer des classificateurs précis et rapides permettant une sortie anticipée du modèle avec un gain de vitesse allant jusqu'à 5,10 fois.
Cet article présente LGA-RCM-YOLO, un modèle d'instance de segmentation des interfaces de phase basé sur YOLO11m et entraîné sur le jeu de données CTG 2.0, qui permet une surveillance visuelle fiable et en temps réel des processus chimiques en laboratoire, notamment dans des verreries transparentes.
En analysant la dynamique d'optimisation du Flow Matching sous l'angle d'une forme quadratique régie par un noyau NTK, cette étude propose l'alignement de la granularité sémantique (SGA) pour atténuer les conflits de gradients et améliorer l'efficacité de la synthèse d'images texte-à-image.