4363 articles
Ce travail présente Pailitao-VL, un système de recherche industrielle multimodale en temps réel qui améliore la précision et l'efficacité grâce à une transition vers un paradigme d'encodage par reconnaissance d'ID absolu et à un reranker génératif comparatif, validé par des tests sur la plateforme e-commerce d'Alibaba.
Cet article présente DeltaGateNet, un cadre novateur qui améliore la reconnaissance de la fatigue au volant à partir de signaux EEG en modélisant explicitement les dynamiques temporelles bidirectionnelles via un module Delta bidirectionnel et un module de convolution temporelle à porte, surpassant ainsi les méthodes existantes sur plusieurs jeux de données publics.
Cet article présente EA-Swin, un transformateur Swin agnostique aux embeddings capable de détecter les vidéos générées par l'IA avec une précision exceptionnelle (97-99 %) et une forte généralisation, grâce à une architecture innovante et à un nouveau jeu de données de référence de 130 000 vidéos.
CityGuard est un cadre novateur utilisant des transformateurs sensibles à la topologie et des mécanismes de confidentialité différentielle pour permettre une recherche d'identité résiliente aux biais et conforme à la protection des données à travers des réseaux de caméras urbaines distribuées.
Le modèle CARE est une nouvelle fondation pour l'analyse d'images de lames entières qui, grâce à un pré-entraînement auto-supervisé et à un alignement multimodal avec des profils moléculaires, surmonte les limites des modèles existants en segmentant automatiquement les tissus en régions morphologiquement cohérentes pour atteindre des performances supérieures sur de multiples tâches de pathologie avec moins de données.
Cet article présente MasqLoRA, un cadre d'attaque systématique qui exploite la flexibilité des adaptateurs LoRA pour injecter des portes dérobées dans les modèles de génération d'images, permettant d'activer un comportement malveillant via un mot déclencheur tout en restant indétectable dans des conditions normales.
Le papier présente RobustVisRAG, un cadre de génération augmentée par récupération visuelle guidé par la causalité qui sépare les signaux de dégradation des sémantiques pour améliorer la robustesse face aux distortions visuelles, validé par de nouvelles performances sur le benchmark Distortion-VisRAG.
LFG est un cadre d'apprentissage sans étiquettes qui exploite des vidéos de conduite non posées pour entraîner un modèle prédictif guidé par des enseignants multimodaux, générant ainsi une représentation unifiée 4D qui surpasse les méthodes existantes pour la planification autonome.
Le papier présente Diffusion Probe, un cadre efficace et agnostique au modèle qui prédit la qualité finale d'images générées par diffusion à partir de cartes d'attention croisée précoces, permettant ainsi d'optimiser les flux de travail en évitant le calcul inutile sur des générations de faible potentiel.
Le papier présente DiffusionHarmonizer, un cadre d'amélioration générative en ligne qui transforme les rendus de scènes imparfaites issus de la reconstruction neuronale en sorties photoréalistes et temporellement cohérentes grâce à un amplificateur conditionné par le temps dérivé d'un modèle de diffusion préentraîné.
UFO-4D est un cadre unifié et feedforward capable de reconstruire une représentation 4D dense et explicite à partir de deux images non positionnées en estimant directement des Splats Gaussiens 3D dynamiques, ce qui permet une estimation conjointe et cohérente de la géométrie, du mouvement et de la pose caméra grâce à une synthèse d'images auto-supervisée.
En démontrant que les paradigmes de raisonnement ne se transfèrent pas directement à la perception visuelle, ce papier propose Dr. Seg, un cadre GRPO plug-and-play intégrant un mécanisme de confirmation et une récompense hiérarchisée pour améliorer les modèles de langage visuel dans des tâches complexes de segmentation.
Le papier présente AlignVAR, un cadre d'autorégression visuelle globalement cohérent pour la super-résolution d'images qui surmonte les limites de cohérence globale des modèles existants grâce à une autorégression de cohérence spatiale et une contrainte de cohérence hiérarchique, offrant ainsi une reconstruction structurelle supérieure avec une inférence nettement plus rapide et moins de paramètres que les approches basées sur la diffusion.
Le papier présente SOLACE, un cadre d'entraînement postérieur qui améliore la génération d'images à partir de texte en utilisant un signal de récompense intrinsèque basé sur la confiance du modèle lui-même, permettant ainsi une optimisation non supervisée qui renforce la cohérence, le rendu textuel et l'alignement sans nécessiter de données externes ou d'annotateurs.
Le papier présente Dr. Occ, un cadre de prédiction d'occupation 3D guidé par la profondeur et les régions qui améliore la perception autonome en résolvant les problèmes d'alignement géométrique et de déséquilibre des classes spatiales grâce à un transformateur de vue 2D-3D assisté par MoGe-2 et un transformateur d'experts adaptatif.
Le papier présente FreeAct, un cadre de quantisation innovant qui améliore les performances des modèles de langage en libérant les activations de contraintes statiques pour leur permettre d'adapter dynamiquement des transformations spécifiques à chaque type de token, surpassant ainsi les méthodes existantes sur les modèles de diffusion et multimodaux.
Le papier présente Kiwi-Edit, une architecture unifiée et un pipeline de génération de données évolutif qui surmontent les limitations des méthodes d'édition vidéo actuelles en combinant des instructions textuelles et des références visuelles pour atteindre un état de l'art en matière de contrôle précis.
Ce papier présente Track4World, un modèle feedforward efficace capable d'estimer le flux dense 2D/3D et de suivre chaque pixel d'une vidéo monoculaire dans un système de coordonnées centré sur le monde, surpassant les méthodes existantes en précision et en rapidité pour la reconstruction 4D.
Le papier présente PVT-GDLA, un décodeur Transformer innovant intégrant une attention linéaire différentielle à porte pour réaliser une segmentation médicale haute fidélité avec une complexité linéaire, surmontant ainsi les compromis entre précision des contours, efficacité computationnelle et stabilité de l'entraînement.
Ce papier présente MultiShadow, une méthode exploitant un modèle de diffusion pré-entraîné pour générer des ombres physiquement plausibles et géométriquement cohérentes pour plusieurs objets insérés simultanément dans une scène, comblant ainsi une lacune des approches existantes limitées aux objets uniques.