4155 articles
Ce papier présente Grasp Any Region (GAR), un modèle d'IA multimodale qui améliore la compréhension visuelle des régions en intégrant des contextes globaux et en modélisant les interactions entre plusieurs zones, permettant ainsi un raisonnement compositionnel avancé et surpassant les modèles existants sur des benchmarks spécialisés.
Ce papier présente FLoC, une méthode sans entraînement et agnostique au modèle qui utilise la fonction de localisation d'installations et un algorithme greedy paresseux pour compresser efficacement les tokens visuels dans la compréhension de vidéos longues, surpassant les techniques existantes sur plusieurs benchmarks majeurs.
MotionStream est une méthode de génération vidéo en temps réel qui, grâce à une distillation de connaissances et une attention causale à fenêtre glissante, permet de produire des vidéos de qualité supérieure avec un contrôle interactif des mouvements et une latence sub-secondaire, rendant possible le streaming infini sur une seule carte graphique.
Cet article propose SASG-DA, une méthode d'augmentation de données basée sur la diffusion qui combine un guidage sémantique et un échantillonnage conscient de la parcimonie pour générer des signaux sEMG à la fois fidèles et diversifiés, améliorant ainsi significativement la reconnaissance des gestes myoélectriques et la généralisation des modèles.
L'article présente DeiTFake, un modèle de détection de deepfakes basé sur DeiT et une stratégie d'apprentissage en deux étapes avec augmentation progressive, qui atteint une précision de 99,22 % sur le jeu de données OpenForensics en surpassant les méthodes de référence actuelles.
Cet article présente une méthode entièrement automatique pour générer des données étiquetées et extraire des images échographiques rectifiées à partir de photographies d'écrans, éliminant ainsi la dépendance au format DICOM tout en permettant une classification précise des vues cardiaques.
Le papier présente DAP, un planificateur autorégressif à tokens discrets qui améliore la performance de la conduite autonome en prédisant conjointement la sémantique BEV et les trajectoires du véhicule, tout en intégrant un affinage par apprentissage par renforcement pour atteindre des résultats de pointe avec un budget paramétrique compact.
Ce papier propose un cadre d'auto-distillation croisée et compositionnelle (CCSD) doté d'une architecture encodeur-décodeur partagée-spécifique et de mécanismes de distillation hiérarchique et progressive, permettant d'atteindre des performances de pointe pour la segmentation robuste des tumeurs cérébrales même en présence de modalités IRM manquantes.
Ce papier présente FlashCache, une méthode de compression de cache KV multimodal guidée par le domaine fréquentiel qui identifie et préserve les paires KV aberrantes essentielles, permettant ainsi d'accélérer le décodage et de réduire la consommation mémoire tout en maintenant les performances des modèles.
Ce papier présente MambaTAD, un modèle de détection d'actions temporelles en un seul passage qui surmonte les limites des modèles d'espace d'état structurés grâce à un module DMBSS et une tête de fusion globale, permettant ainsi une détection précise et efficace des actions à longue portée sur plusieurs benchmarks publics.
Le papier présente ObAct, un cadre novateur d'apprentissage par imitation avec vision active où un bras robotique mobile construit une représentation 3DGS pour identifier et se déplacer vers la meilleure vue, permettant ainsi à l'autre bras d'exécuter des politiques plus robustes et moins sujettes aux occlusions.
STAvatar propose une méthode de reconstruction d'avatars 3D faciaux animables à partir de vidéos monoculaires qui surpasse l'état de l'art grâce à un cadre de liaison souple adaptatif aux UV et à une stratégie de contrôle de densité temporelle, permettant ainsi de capturer des détails fins et de reconstruire efficacement des régions fréquemment occluses.
Le papier présente RadarVLM, un modèle vision-langage unifié entraîné sur un vaste jeu de données simulées qui utilise une supervision spatiale structurée et un objectif SG-CLIP pour améliorer la compréhension des scènes radar et la précision de la localisation des véhicules, surpassant ainsi les approches traditionnelles.
PowerCLIP est un nouveau cadre de pré-entraînement contrastif qui améliore la compréhension compositionnelle en alignant les ensembles de régions d'images sur les phrases textuelles grâce à des agrégateurs non linéaires efficaces, surpassant ainsi les méthodes actuelles dans les tâches de classification et de recherche sans apprentissage préalable.
Ce papier propose DPAC, une méthode de guidage pour l'échantillonnage de diffusion qui projette les gradients adversariaux sur l'espace tangent défini par la géométrie du score génératif afin de minimiser la divergence KL dans l'espace des trajectoires et de préserver la qualité des échantillons tout en maintenant un taux de succès d'attaque élevé.
Cette étude propose une méthode de fine-tuning équitable et économe en paramètres pour les modèles vision-langage appliqués au diagnostic du glaucome, utilisant une nouvelle fonction de perte différentiable et des techniques d'adaptation de bas rang pour réduire significativement les disparités diagnostiques entre groupes démographiques tout en maintenant une précision globale élevée.
Le papier présente UniComp, un cadre de compression vidéo axé sur l'unicité informationnelle qui optimise la fidélité des représentations visuelles sous contraintes computationnelles en minimisant l'entropie conditionnelle via trois modules clés : fusion de groupes d'images, allocation de jetons et compression spatiale dynamique.
Le papier présente NeuralRemaster, une méthode de diffusion qui préserve la phase des signaux d'entrée tout en randomisant leur magnitude, permettant ainsi une génération alignée sur la structure sans coût d'inférence supplémentaire et en améliorant significativement le transfert sim-to-real pour les planificateurs de conduite.
Cet article propose TAP, un cadre novateur utilisant les grands modèles de langage et une stratégie d'optimisation préférentielle directe pour découvrir automatiquement et sans entraînement des proxies supérieurs afin d'optimiser la quantification de précision mixte des réseaux de neurones profonds.
Cet article présente EgoCampus, un nouveau jeu de données et un modèle (EgoCampusNet) pour prédire le regard des piétons en extérieur, collectés à l'aide de lunettes Project Aria sur un campus universitaire.