4403 articles
Cet article propose SRasP, une nouvelle méthode de perturbation de style auto-réorientée qui améliore l'apprentissage few-shot cross-domaine en stabilisant les gradients et en favorisant la convergence vers des minima plus plats grâce à une guidance sémantique globale et une optimisation multi-objectifs.
Ce papier propose un cadre d'inférence adaptatif pour les modèles Vision-Language-Action qui, en analysant la complexité de l'état perçu via des embeddings visuels, permet de décider dynamiquement d'agir immédiatement, de raisonner sur des scénarios ambigus ou de s'abstenir d'agir pour éviter les échecs catastrophiques, optimisant ainsi l'allocation des ressources computationnelles.
Ce papier présente SSR-GS, un cadre de reconstruction de surfaces brillantes qui améliore le splatting gaussien 3D en modélisant les réflexions spéculaires directes et indirectes tout en intégrant des priors géométriques et visuels pour atténuer l'impact des zones dominées par les reflets.
Cette étude démontre que le recadrage simple des poumons par une boîte englobante permet de réduire l'apprentissage de raccourcis raciaux dans les modèles de diagnostic par radiographie thoracique tout en préservant leur précision, contournant ainsi le compromis habituel entre équité et performance.
Cet article propose une méthode de calibration générique de caméra utilisant des images floues, qui estime simultanément les positions des caractéristiques et les fonctions d'étalement du point spatialement variables en exploitant des contraintes géométriques et un modèle d'illumination local pour surmonter le flou de mouvement inévitable lors de l'utilisation de tableaux d'étalonnage imprimés.
L'article présente Mario, un cadre unifié qui améliore le raisonnement des grands modèles de langage sur des graphes multimodaux en résolvant les problèmes de cohérence intermodale et de préférence hétérogène grâce à un design de modèle vision-langage conditionné par le graphe et à un mécanisme d'instruction adaptatif.
Le papier présente Logi-PAR, un cadre innovant d'inférence logique pour la reconnaissance des activités des patients qui intègre des règles différentiables explicites afin de fournir des explications auditrices et des interventions contrefactuelles, surpassant ainsi les modèles d'état de l'art sur des benchmarks cliniques.
Cet article propose le cadre SCDL, une méthode plug-and-play qui atténue les biais de supervision et de représentation dans la segmentation d'images médicales semi-supervisée en apprenant des distributions de caractéristiques conditionnelles aux classes, améliorant ainsi significativement la détection des structures minoritaires sur les jeux de données Synapse et AMOS.
Ce papier présente SPyCer, un réseau semi-supervisé guidé par la physique qui utilise l'attention contextuelle et des contraintes physiques pour estimer avec précision la température de l'air près du sol à partir d'images satellites, comblant ainsi le manque de données des capteurs au sol.
Cet article présente un système de tri textile automatisé piloté par un jumeau numérique qui intègre la perception multimodale et le raisonnement de modèles visuels et linguistiques (VLM) pour classer les vêtements et détecter les objets étrangers avec une grande précision dans des environnements industriels réalistes.
Ce papier présente ICHOR, une approche d'apprentissage auto-supervisé basée sur des auto-encodeurs masqués 3D et entraînée sur un vaste ensemble de données multi-sites, qui permet d'obtenir des représentations robustes pour les cartes de débit sanguin cérébral en IRM de perfusion par marquage de spin artériel (ASL) et surpasse les méthodes existantes dans diverses tâches diagnostiques et de prédiction de qualité.
Le CATNet est un cadre adaptatif de perception coopérative qui résout les défis de la latence temporelle et du bruit multi-source grâce à une synchronisation spatio-temporelle, un débruitage par ondelettes et une sélection de caractéristiques dynamique, surpassant ainsi les méthodes existantes dans des conditions de trafic complexes.
Le papier présente Wiki-R1, un cadre d'apprentissage par renforcement à curriculum qui améliore l'état de l'art en VQA basé sur les connaissances en générant et en échantillonnant des données de difficulté progressive pour optimiser le raisonnement des modèles multimodaux.
Cette étude démontre que pour optimiser la détection hors distribution dans les Vision Transformers, il est préférable de combiner l'analyse des couches intermédiaires et des modules spécifiques, en privilégiant les activations du réseau feed-forward lors de forts décalages de distribution et les sorties normalisées de l'attention multi-têtes lorsque le décalage est faible.
Le papier présente WebChain, le plus grand ensemble de données open-source de traces d'interaction web annotées par des humains, qui permet d'entraîner des agents web performants grâce à une alignement triple des données visuelles, structurelles et d'action, ainsi qu'à une méthode d'entraînement dual décorrélant l'ancrage spatial de la planification.
Le papier présente Fusion4CA, une méthode de détection d'objets 3D qui améliore le cadre BEVFusion en exploitant pleinement les données RGB via des modules d'alignement contrastif, une branche auxiliaire et des adaptateurs cognitifs, permettant d'atteindre une performance supérieure avec moins d'époques d'entraînement et une augmentation minimale des paramètres.
Ce papier présente SpectralCache, une méthode d'accélération sans entraînement pour les Transformers de diffusion qui exploite les non-uniformités temporelles, de profondeur et fréquentielles du processus de débruitage pour atteindre un gain de vitesse de 2,46x tout en préservant la qualité de l'image.
Le papier présente Dark3R, un cadre novateur permettant la reconstruction 3D et la synthèse de nouvelles vues dans des conditions de très faible luminosité (SNR < -4 dB) en adaptant des modèles de fondation 3D via une distillation enseignant-élève et en s'entraînant uniquement sur des paires d'images brutes bruitées et propres, sans supervision 3D.
OpenFrontier est un cadre de navigation sans entraînement qui permet aux robots de se déplacer efficacement dans des environnements ouverts en utilisant des frontières visuelles comme ancres sémantiques pour intégrer des modèles vision-langage, éliminant ainsi le besoin de reconstruction 3D dense ou d'affinage spécifique.
Cet article présente ORMOT, une nouvelle tâche de suivi multi-objets omnidirectionnel guidé par le langage, accompagnée du jeu de données ORSet et du cadre ORTrack basé sur un modèle vision-langage de grande taille, conçus pour surmonter les limitations du champ de vue des méthodes existantes.