4137 articles
L'article propose RMD, un nouveau cadre de distillation qui comble les écarts de distribution entre résolutions grâce à une correspondance logarithmique du rapport signal-sur-bruit et à une réinjection de bruit, permettant ainsi d'accélérer considérablement la génération d'images et de vidéos tout en préservant une haute fidélité visuelle.
Le papier présente Place-it-R1, un cadre end-to-end qui exploite le raisonnement de type « chaîne de pensée » des modèles de langage multimodaux pour orchestrer l'insertion d'objets dans des vidéos, garantissant ainsi une cohérence physique et causale avec l'environnement grâce à une boucle de rétroaction itérative et à des modes de contrôle adaptatifs.
Cette étude révèle que les modèles vision-langage échouent systématiquement face à des distorsions chromatiques spatiales qui ne perturbent pas la perception humaine, démontrant ainsi la nécessité d'intégrer des prétraitements inspirés de la perception pour améliorer leur robustesse.
Cette étude propose un cadre de traitement virtuel basé sur des modèles génératifs multimodaux pour prédire l'évolution des tumeurs du cancer du poumon non à petites cellules sous radiothérapie, démontrant que les modèles de diffusion surpassent les GAN en produisant des trajectoires d'évolution tumorale plus stables et anatomiquement plausibles grâce à une conditionnement sensible à la dose.
Le papier présente VLM-RobustBench, un benchmark complet évaluant la robustesse des modèles vision-langage face à 133 types de perturbations, révélant que ces modèles, bien que sémantiquement puissants, sont spatialement fragiles et que les déformations géométriques et de rééchantillonnage dégradent leurs performances bien plus que les corruptions photométriques sévères.
Cet article propose RF-Sampling, une méthode d'amélioration de l'inférence sans entraînement et théoriquement fondée, conçue spécifiquement pour optimiser la qualité de génération et l'alignement avec le texte des modèles de flux comme FLUX en effectuant une ascension de gradient implicite sur le score d'alignement.
Le papier présente FreeOcc, une méthode d'occurrence panoptique sans entraînement qui exploite des modèles de fondation pré-entraînés pour reconstruire la géométrie et la sémantique 3D à partir d'images multi-vues, atteignant des performances comparables aux méthodes supervisées faiblement sur le jeu de données Occ3D-nuScenes.
Cet article propose un cadre d'apprentissage semi-supervisé pour la segmentation des ultrasons mammaires qui génère des pseudo-étiquettes sans entraînement grâce à des modèles vision-langage, les affine par des mécanismes d'apprentissage contrastif et atteint des performances comparables aux modèles entièrement supervisés avec seulement 2,5 % de données annotées.
Ce papier présente JOPP-3D, un cadre de segmentation sémantique à vocabulaire ouvert qui fusionne des données panoramiques et des nuages de points 3D pour permettre une compréhension de scène pilotée par le langage et surpasser les méthodes actuelles sur les deux modalités.
Cet article présente une méthode optimisant les modèles de diffusion 3D pour l'imagerie médicale en utilisant un apprentissage par renforcement avec des récompenses multi-échelles, améliorant ainsi la qualité des images synthétiques et leur utilité pour les tâches de classification des tumeurs.
Ce papier propose deux techniques, l'agrégation automatique et le recalage par pixel, pour surmonter les limitations d'échelle des segmenteurs de diffusion sans entraînement et mieux exploiter la puissance générative des modèles.
Cet article propose un cadre en deux étapes pour l'apprentissage de similarités entre écritures, combinant un apprentissage contrastif supervisé sur des alphabets inventés et une distillation non supervisée vers des scripts historiques afin de découvrir des similarités latentes sans dépendre de relations évolutives certifiées.
Cet article propose le « Motion Turing Test » et le jeu de données HHMotion pour évaluer la ressemblance humaine des mouvements de robots humanoïdes, révélant que les modèles de langage actuels sont insuffisants pour cette tâche et introduisant une nouvelle méthode de base plus performante.
Ce papier présente CRIMSON, un cadre d'évaluation cliniquement fondé pour les rapports de radiologie générés par IA, qui intègre le contexte complet du patient et une pondération basée sur la gravité clinique pour mieux s'aligner sur le jugement des radiologues que les métriques précédentes.
Le papier présente SpaCRD, une méthode d'apprentissage par transfert qui fusionne profondément l'histologie et la transcriptomique spatiale via un réseau d'attention croisée bidirectionnelle pour détecter avec précision les régions cancéreuses et généraliser les résultats à travers différents échantillons, plateformes et lots, surpassant ainsi les méthodes existantes.
Ce papier propose ALANet, un réseau adaptatif qui élimine les réflexions complexes dans les images en utilisant des descriptions textuelles, même imprécises, grâce à des stratégies de filtrage et d'optimisation, tout en introduisant le nouveau jeu de données CRLAV pour évaluer ces performances.
Cet article présente un cadre novateur pour la segmentation d'actions humaines basé sur le squelette et supervisé par points, qui atteint des performances compétitives, parfois supérieures aux méthodes entièrement supervisées, tout en réduisant considérablement l'effort d'annotation grâce à l'utilisation de données multimodales et à des techniques avancées de génération de pseudo-étiquettes.
Le papier présente VG3S, un cadre novateur qui améliore la prédiction d'occupation sémantique 3D en intégrant des repères géométriques robustes issus de modèles de fondation visuels via un adaptateur hiérarchique, permettant d'obtenir des performances significativement supérieures sur le benchmark nuScenes.
L'article présente CoE, un cadre de résumé multimodal sans entraînement qui surpasse les méthodes actuelles en utilisant un graphe d'événements hiérarchique pour structurer le raisonnement temporel et l'alignement intermodal.
L'article présente EntON, une nouvelle stratégie de densification de voisinage optimisée par l'entropie des valeurs propres pour le splatting gaussien 3D, qui améliore la précision géométrique et la qualité de rendu tout en réduisant le nombre de gaussiennes et le temps d'entraînement grâce à une alternance entre densification par gradient et densification guidée par la structure locale.