1863 articles
L'article présente ARSGaussian, une méthode innovante de synthèse de vues nouvelles pour la télédétection aérienne qui intègre des nuages de points LiDAR et des pertes de régularisation géométrique pour éliminer les artefacts visuels et améliorer la précision géométrique, accompagnée de la publication du nouveau jeu de données open-source AIR-LONGYAN.
Ce papier présente CuriousBot, un système de robotique mobile qui utilise un graphe d'objets relationnels 3D pour surmonter les limites des méthodes actuelles en permettant une exploration interactive et généralisable au-delà des scènes de table, surpassant ainsi les approches basées uniquement sur les modèles vision-langage.
Ce papier présente les iMarkers, des marqueurs de fiduciation invisibles pour l'œil humain mais détectables par les robots, conçus pour résoudre le problème esthétique des marqueurs traditionnels tout en offrant une grande flexibilité de production et une détection robuste dans divers scénarios robotiques.
Le papier présente LayoutDreamer, un cadre innovant guidé par la physique et les graphes de scène qui utilise le 3D Gaussian Splatting pour générer des scènes 3D compositionnelles de haute qualité, physiquement plausibles et hautement contrôlables à partir de descriptions textuelles.
Cette enquête propose une revue structurée de plus de 200 articles sur la généralisation du Wi-Fi sensing, en classant les techniques de robustesse, en résumant les jeux de données publics et en présentant la plateforme Sensing Dataset Platform (SDP) pour guider les recherches futures.
Cet article présente RS-STE, une nouvelle approche unifiée pour l'édition de texte dans les images de scène qui exploite la synergie intrinsèque avec la reconnaissance de texte via un décodeur parallèle et un apprentissage auto-supervisé cyclique, atteignant ainsi des performances de pointe sans nécessiter de données appariées.
Cet article présente une nouvelle approche semi-supervisée pour la segmentation d'images biomédicales, qui combine un cadre d'entraînement collaboratif enseignant-élève avec des modèles de diffusion pour générer des masques de segmentation informatifs et améliorer les performances dans des scénarios où les données annotées sont limitées.
Cet article présente BR-Gen, un nouveau jeu de données à grande échelle de 150 000 images forgées localement, et NFA-ViT, un modèle de vision par transformer guidé par le bruit qui amplifie les traces de falsification pour améliorer la détection des contrefaçons générées par l'IA dans des scènes complexes.
Ce papier présente M4-SAR, un ensemble de données et une référence normalisés à grande échelle pour la détection d'objets par fusion optique-SAR, accompagnés d'un nouveau cadre de détection E2E-OSDet qui démontrent des performances supérieures, notamment dans des environnements complexes.
Ce papier propose MARRS, un cadre novateur utilisant des représentations continues et un auto-encodeur variationnel pour générer des réactions humaines coordonnées et détaillées, en surmontant les limites des approches vectorielles quantisées grâce à une fusion conditionnée par l'action et une modulation adaptative des unités corporelles.
Cet article présente la première revue systématique de l'intégration des modèles de fondation dans la robotique de service mobile, en analysant comment ces technologies surmontent les défis techniques et éthiques pour permettre une exécution de tâches adaptative et sûre dans des environnements réels.
Le papier présente EasyText, un cadre de rendu textuel multilingue basé sur un Transformateur de Diffusion (DiT) qui, grâce à des techniques de codage de position et à l'utilisation d'ensembles de données synthétiques massifs, permet une génération précise et contrôlée de texte dans n'importe quelle langue.
Cet article présente SpikeSMOKE, une architecture de réseaux de neurones à impulsions (SNN) intégrant un mécanisme de codage à porte croisée multi-échelle (CSGC) et des blocs résiduels légers pour réaliser une détection d'objets 3D monoculaire à faible consommation énergétique avec des performances améliorées sur les jeux de données KITTI, NuScenes-mini et CIFAR.
Ce papier présente FieldLVLM, un cadre novateur qui améliore la compréhension des modèles vision-langage de grande taille face aux données de champs physiques en combinant une stratégie de génération linguistique axée sur les caractéristiques physiques et un ajustement de modèle multimodal compressé, surpassant ainsi les méthodes existantes sur des benchmarks scientifiques.
Cet article présente MGCR-Net, un réseau de reconstruction vision-langage conditionné par des graphes multimodaux qui exploite des modèles de langage large (MLLM) et des mécanismes d'attention graphique pour améliorer la détection de changements dans les images de télédétection grâce à une interaction sémantique fine entre les données visuelles et textuelles.
L'article propose SFDA-PFT, une méthode d'adaptation de domaine sans source légère qui utilise une translation de caractéristiques personnalisée dans l'espace latent pour améliorer la reconnaissance des expressions faciales à partir de données cibles neutres uniquement, sans nécessiter de données sources ni de synthèse d'images.
Ce papier présente EgoCross, un nouveau benchmark conçu pour évaluer la capacité de généralisation des modèles de langage multimodaux au-delà des activités quotidiennes en les confrontant à des domaines complexes et variés tels que la chirurgie, l'industrie, les sports extrêmes et la vision animale.
Le papier présente YOPO, une méthode unifiée et minimaliste basée sur les transformers qui réalise l'estimation de pose 9D de catégorie pour plusieurs objets à partir d'une seule image RGB, atteignant des performances de pointe sans recourir à des données de profondeur ou à des modèles CAD.
L'article présente CoRe-GS, un cadre de reconstruction 3D par splatting gaussien qui optimise de manière sélective et efficace uniquement les objets d'intérêt spécifiques, réduisant ainsi considérablement le temps de calcul tout en améliorant la qualité de la reconstruction pour les applications robotiques en temps réel.
Ce papier présente VocSegMRI, un cadre d'apprentissage multimodal qui intègre des données vidéo, audio et phonologiques via une fusion par attention croisée et un apprentissage contrastif pour atteindre une segmentation précise et robuste des voies vocales en IRM temps réel, surpassant les méthodes existantes avec un score Dice de 0,95.