3978 articles
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.
Ce papier présente VLMQ, un cadre de quantisation post-entraînement spécifiquement conçu pour les modèles vision-langage qui améliore les performances en identifiant et en priorisant les tokens saillants grâce à un facteur d'importance guidé par le gradient, comblant ainsi les lacunes des méthodes existantes face aux particularités des activations VLM.
Ce papier propose SGDFuse, un modèle de diffusion conditionnelle guidé par le Segment Anything Model (SAM) qui utilise des masques sémantiques comme priors explicites pour fusionner fidèlement des images infrarouges et visibles, préservant ainsi les cibles clés et les détails texturaux tout en surpassant les méthodes existantes.
Ce papier présente les « multivariate fields of experts », un nouveau cadre d'apprentissage de priors d'images qui, grâce à des fonctions potentielles multivariées basées sur les enveloppes de Moreau, surpasse les modèles univariés et rivalise avec les méthodes d'apprentissage profond pour résoudre divers problèmes inverses tout en offrant une meilleure rapidité, une plus grande efficacité des paramètres et des garanties théoriques de convergence.
Le papier présente DianJin-OCR-R1, un modèle vision-langage amélioré par un raisonnement et une intercalation d'outils qui combine ses propres capacités de reconnaissance avec celles d'experts externes et une réanalyse visuelle pour réduire les hallucinations et surpasser les performances des modèles existants.