4722 articles
Le papier propose OSPO, une méthode d'optimisation des préférences auto-améliorante centrée sur les objets qui, sans dépendre de données ou de modèles externes, améliore significativement l'alignement texte-image et réduit les hallucinations d'objets dans la génération d'images.
Ce papier propose EDITOR, une méthode efficace et interprétable d'inversion de prompts pour les modèles de diffusion texte-à-image qui, en combinant l'initialisation par un modèle de légendage, l'affinement dans l'espace latent et la conversion en texte, surpasse les approches existantes en termes de similarité d'image, d'alignement textuel et de généralisabilité pour diverses applications créatives.
HypeVPR est un cadre d'encodage hiérarchique en espace hyperbolique conçu pour la reconnaissance visuelle de lieux entre images perspectives et équirectangulaires, exploitant la structure hiérarchique de l'espace hyperbolique pour améliorer la précision tout en réduisant les coûts de stockage et d'accélération de la recherche.
Le document présente FLAIR-HUB, le plus vaste jeu de données multimodales annotées à très haute résolution (20 cm) développé par l'IGN pour la cartographie des sols et des cultures en France, qui combine six sources de données hétérogènes et démontre l'efficacité de la fusion multimodale pour améliorer la précision des modèles d'apprentissage profond.
Ce papier présente HSG-12M, un vaste ensemble de données de 12 millions de multigraphes spatiaux dérivés des spectres énergétiques de cristaux non hermitiens, généré par le pipeline automatisé Poly2Graph pour combler le manque de benchmarks à grande échelle en physique de la matière condensée et en apprentissage géométrique.
L'article présente InterActHuman, un cadre novateur permettant l'animation humaine multi-concepts avec des interactions riches en générant des vidéos alignées spatialement grâce à une liaison conditionnelle spécifique aux régions et à l'injection de conditions audio locales.
Le papier présente AutoV, un cadre léger qui améliore les modèles vision-langage en remplaçant l'ingénierie manuelle des prompts visuels par une récupération adaptative guidée par un classement basé sur la perte d'un modèle pré-entraîné, éliminant ainsi le besoin d'annotations manuelles tout en augmentant significativement les performances sur diverses tâches.
Cet article présente TreeBench, un benchmark diagnostique évaluant le raisonnement visuel ancré par des preuves traçables, et propose TreeVGR, une méthode d'apprentissage par renforcement qui améliore significativement les performances des modèles en localisation et en raisonnement explicite.
Cet article présente GMLN-BTS, un réseau neuronal léger basé sur des graphes pour la segmentation adaptative des tumeurs cérébrales qui, grâce à ses modules innovants d'encodage, d'interaction multimodale et de raffinement, atteint des performances de pointe avec une réduction massive de 98 % des paramètres par rapport aux modèles 3D Transformer dominants.
Cet article propose EDA, un cadre théorique unifié qui étend les modèles de diffusion EDM aux bruits arbitraires pour améliorer la restauration d'images médicales et naturelles sans surcharge computationnelle, tout en démontrant une forte capacité de généralisation avec seulement cinq étapes d'échantillonnage.
Le papier présente SAMPO, un cadre d'optimisation des préférences qui aligne les modèles de fondation en pathologie sur l'intention clinique de segmentation en adaptant l'optimisation directe des préférences (DPO) aux modèles de vision pure pour améliorer la précision et la robustesse face aux prompts imparfaits.
Cet article propose un cadre de réglage fin régularisé par la signification des paramètres pour optimiser les trackers multi-modaux, en équilibrant efficacement plasticité et stabilité afin de surpasser les méthodes actuelles sur divers benchmarks.
Cet article présente une méthode de navigation pour quadrotor basée sur l'apprentissage par renforcement qui, en exploitant des cartes de temps d'arrivée et une fonction de perte d'alignement de lacet, surpasse les méthodes existantes pour éviter de grands obstacles et a été validée avec succès lors de 20 vols réels en extérieur, jour et nuit, sans aucune collision.
Cet article propose une méthode fiable pour la localisation 3D d'objets distants à partir de séquences d'images bruitées, utilisant la triangulation multi-vues ou des filtres à particules, ce qui permet une surveillance efficace des incendies de forêt par drone avec des ressources computationnelles limitées.
Le papier présente BridgeDrive, une nouvelle politique de planification de trajectoire en boucle fermée pour la conduite autonome qui utilise un pont de diffusion guidé par des ancêtres pour transformer de manière théoriquement cohérente des trajectoires grossières en plans précis, atteignant ainsi des performances de pointe sur le benchmark Bench2Drive.
Le papier présente SphereAR, une méthode qui améliore la génération d'images par modèles autoregressifs à tokens continus en contraignant les latents sur une hypersphère pour stabiliser la variance et atteindre des performances record surpassant les modèles de diffusion et de génération masquée.
Cet article présente une nouvelle méthode de super-résolution vidéo spatio-temporelle continue basée sur des champs de Fourier 3D (VFF) qui, en évitant le décalage explicite des trames, permet un échantillonnage flexible à n'importe quelle résolution tout en garantissant une reconstruction sans repliement spectral et en surpassant l'état de l'art en termes de netteté, de cohérence temporelle et d'efficacité computationnelle.
Cet article présente EgoTraj-Bench, le premier benchmark réel pour la prédiction de trajectoires en vision ego-centrique sous observations bruitées, ainsi que le modèle BiFlow qui, grâce à son mécanisme EgoAnchor, atteint des performances de pointe en réduisant significativement les erreurs de prédiction.
Cet article propose une méthode de détection des nuages faiblement supervisée, nommée SpecMCD, qui combine des caractéristiques spectrales et un réseau profond multi-échelle pour générer des masques de nuages précis au niveau des pixels, surpassant les méthodes existantes en termes de score F1 sur des images satellitaires multispectrales.
VidGuard-R1 est un détecteur de vidéos générées par IA innovant qui utilise l'optimisation de politique relative de groupe (GRPO) pour surmonter les limites des méthodes supervisées traditionnelles en identifiant des incohérences physiques complexes et en fournissant des explications forensiques interprétables avec des performances de pointe en zéro-shot.