1863 articles
Le papier présente GroundCount, un cadre qui améliore la précision du comptage des modèles vision-langage en intégrant des données de détection d'objets pour atténuer les hallucinations, démontrant que l'ancrage spatial explicite surpasse la fusion de caractéristiques implicite tout en réduisant le temps d'inférence.
Cet article présente un cadre complet incluant un jeu de données, une métrique d'évaluation et une méthode de raffinement sans entraînement pour corriger le biais de vivacité excessive des modèles de génération d'images et améliorer leur fidélité chromatique par rapport à la photographie réelle.
Cette étude interdisciplinaire démontre que les modèles de vision-langage prédisent les styles artistiques en s'appuyant sur des concepts visuels cohérents et pertinents qui, dans 73 % des cas, correspondent aux critères d'analyse des historiens de l'art.
Le papier présente DynVLA, un modèle de conduite VLA qui améliore la prise de décision autonome en introduisant un nouveau paradigme de « chaîne de pensée » basé sur la dynamique (Dynamics CoT), permettant de prédire de manière compacte et interprétable l'évolution du monde avant de générer des actions.
Le papier présente V2M-Zero, une méthode de génération de musique à partir de vidéo sans données appariées qui assure un alignement temporel en exploitant les structures de changement communes entre les modalités via des courbes d'événements intra-modales, surpassant ainsi les approches basées sur des données appariées.
L'article présente Agentar-Fin-OCR, un système de parsing de documents financiers capable de transformer des PDF ultra-longs en structures précises et auditées grâce à des algorithmes de consolidation inter-pages et d'apprentissage curriculaire, accompagné de la création de FinDocBench, une nouvelle benchmark pour l'évaluation rigoureuse des modèles dans ce domaine.
Ce papier présente NeFTY, un cadre de physique différentiable qui permet la reconstruction 3D quantitative des propriétés matérielles et la détection de défauts souterrains à partir de mesures thermiques de surface, en surmontant les limitations des approches traditionnelles et des réseaux de neurones physiques contraints.
Le papier propose LiTo, une représentation latente 3D unifiée qui modélise conjointement la géométrie et l'apparence dépendante du point de vue en encodant des échantillons de champ lumineux de surface, permettant ainsi la génération d'objets 3D réalistes avec des effets d'éclairage complexes tels que les reflets spéculaires.
Les auteurs proposent un système d'IA entièrement automatisé qui génère des vidéos comiques de type « sketch » en mobilisant une population d'agents inspirés des rôles d'un studio de production et en s'appuyant sur des critiques LLM entraînés sur des données YouTube pour évaluer et optimiser l'humour, produisant ainsi des résultats de qualité professionnelle.
Cette présentation propose un modèle de Transformer bidirectionnel compact pour la légende d'images, qui intègre de manière parallèle des flux gauche-à-droite et droite-à-gauche pour exploiter le contexte bidirectionnel et atteindre des performances de pointe sur le benchmark MSCOCO.
Cet article présente SDR-GAIN, une méthode temps réel innovante basée sur des réseaux antagonistes génératifs qui complète avec précision les poses piétonnes occluses en apprenant directement la distribution numérique des coordonnées des points clés, surpassant ainsi les approches existantes tout en garantissant une inférence ultra-rapide pour la conduite autonome.
Le papier présente PnLCalib, une méthode de calibration de caméra pour les vidéos sportives qui surpasse les techniques existantes en combinant un modèle 3D de terrain avec une optimisation non linéaire des points et des lignes pour gérer les angles multiples, les paramètres variables et les occlusions.
Ce papier présente DP-IQA, une méthode novatrice d'évaluation de la qualité d'image sans référence qui exploite les priors de modèles de diffusion pré-entraînés et les transmet à un modèle étudiant léger pour atteindre des performances de pointe et une forte généralisation sur des images réelles.
Cet article propose SGMD, une méthode de diffusion de mouvement guidée par le style qui intègre des caractéristiques musicales et des invites stylistiques pour générer des danses réalistes et contrôlables, tout en introduisant de nouveaux benchmarks pour des tâches de génération, d'interpolation et d'inpainting chorégraphiques.
Le papier présente TIMotion, un cadre efficace et performant pour la génération de mouvements humains à deux, qui améliore la modélisation temporelle et interactive grâce à l'injection causale, l'analyse évolutive des rôles et l'amplification des motifs locaux.
Ce papier propose un cadre unifié qui modélise la quantification et l'éparpillement comme du bruit additif et introduit une transformée de déquantification débruyante pour établir un chemin de gradient explicite, permettant ainsi l'entraînement robuste de réseaux de neurones à des précisions arbitraires et à des niveaux d'éparpillement extrêmes, y compris en dessous d'un bit.
Le papier présente DRUPI, une méthode de condensation de dataset qui améliore l'efficacité de l'apprentissage en synthétisant, en plus des données réduites, des informations privilégiées (telles que des étiquettes de caractéristiques ou d'attention) servant de supervision auxiliaire.
Ce papier propose une méthode d'apprentissage de représentations non supervisé qui factorise les transformations des variables latentes en composantes sparses via un modèle de flot de probabilité, permettant d'obtenir des représentations décorrélées basées sur des primitives de transformation apprises et d'atteindre des performances de pointe en termes de vraisemblance des données et d'équivariance approximative.
Ce papier propose une technique de compression d'images basée sur la synthèse de nouvelles vues et l'optimisation par descente de gradient pour permettre un retour visuel en temps réel des véhicules téléopérés sous-marins, surpassant les méthodes existantes en termes de ratio de compression et de qualité d'image.
Cet article propose un cadre d'apprentissage de prompts actif et économe en budget qui améliore l'adaptation des modèles vision-langage aux nouvelles tâches en utilisant un regroupement guidé par les classes et une requête sélective basée sur des seuils adaptatifs, surpassant ainsi les méthodes existantes sur plusieurs jeux de données.