4776 articles
Le papier propose DeformTrace, un modèle d'espace d'états déformable enrichi de mécanismes de relais et de dynamiques adaptatives, qui surpasse les méthodes existantes pour la localisation temporelle précise des falsifications dans les vidéos et l'audio.
Cet article présente FedMEPD, un cadre d'apprentissage fédéré innovant qui utilise des encodeurs spécifiques aux modalités et un décodeur de fusion partiellement personnalisé pour surmonter l'hétérogénéité intermodale et répondre aux besoins de personnalisation dans la segmentation des tumeurs cérébrales multimodales.
Le papier propose FedAFD, un cadre d'apprentissage fédéré multimodal qui améliore les performances des clients et du serveur en utilisant une stratégie d'alignement adversarial bi-niveau et une distillation d'ensemble guidée par la similarité pour surmonter les hétérogénéités de données et de modèles tout en préservant la confidentialité.
Cet article propose une méthode simple et efficace pour améliorer la segmentation d'images avec les Vision Transformers en modulant l'auto-attention par un noyau gaussien apprenable afin de privilégier les détails spatiaux locaux sans compromettre les performances de classification.
Le papier présente FC-VFI, une méthode d'interpolation de frames vidéo qui utilise un modèle de diffusion pré-entraîné, une stratégie de modélisation temporelle et une correspondance sémantique pour générer des vidéos à haute fréquence d'images (jusqu'à 240 FPS) avec une fidélité visuelle et une cohérence temporelle supérieures.
Le papier propose AdaIAT, une méthode qui atténue les hallucinations des modèles vision-langage de grande taille en adaptivement augmentant l'attention vers le texte généré, réduisant ainsi significativement les erreurs tout en préservant la cohérence linguistique.
Cet article propose une méthode d'optimisation de textures adverses 3D cohérentes avec le point de vue, utilisant un rendu différentiable et une stratégie de curriculum de grossier à fin, pour révéler et exploiter les vulnérabilités des politiques visuomotrices robotiques face à des changements de perspectives dynamiques.
Cet article présente la création d'un jeu de données spécifique pour la détection et le suivi de personnes à l'aide d'un LiDAR monté sur une grue aérienne, en adaptant des détecteurs 3D existants pour combler le fossé entre les benchmarks de conduite et la vision industrielle en vue plongeante, tout en validant la faisabilité temps réel et en rendant les ressources disponibles publiquement.
Cet article propose un cadre d'apprentissage faible supervisé basé sur des prototypes et interprétable pour le grading du cancer de la prostate, conçu pour imiter le raisonnement des pathologistes et améliorer la fiabilité des diagnostics assistés par ordinateur.
Ce papier présente TimeWarp, un benchmark évaluant la robustesse des agents web face aux évolutions de l'interface, et propose TimeTraj, un algorithme utilisant la distillation de plans sur plusieurs versions d'interface pour améliorer significativement leurs performances.
Cet article présente un cadre de pré-entraînement axé sur la localisation, intégrant des tâches de référence automatique et de légendage ancré, pour améliorer la capacité des modèles de vision à détecter et raisonner sur les changements cliniques subtils dans les images radiographiques médicales via la réponse aux questions visuelles différentielles.
Ce papier présente VisionPangu, un assistant multimodal compact de 1,7 milliard de paramètres qui améliore la génération de légendes d'images détaillées grâce à un alignement multimodal efficace et à l'utilisation de descriptions humaines denses du jeu de données DOCCI, démontrant ainsi qu'une mise à l'échelle agressive n'est pas nécessaire pour obtenir des performances compétitives.
Cet article propose un nouveau modèle de caméra intégrant un paramètre de rétrécissement pour simuler les effets de perspective dans la régression de modèles morphables 3D, permettant ainsi d'améliorer le recalage de visages en gros plan, notamment ceux capturés par des caméras montées sur la tête, tout en conservant la stabilité des approches orthographiques traditionnelles.
Le papier présente BiEvLight, un cadre d'apprentissage hiérarchique et orienté tâche qui résout le couplage bruit-signal dans l'amélioration d'images en faible luminosité en reformulant le débruitage des événements comme un problème d'optimisation bi-niveau contraint par la tâche d'amélioration, surpassant ainsi les méthodes de l'état de l'art.
Ce papier présente 3D-RFT, un cadre pionnier d'affinement par renforcement qui étend l'apprentissage par renforcement avec récompenses vérifiables à la compréhension de scènes 3D vidéo en optimisant directement les modèles multimodaux selon des métriques d'évaluation spécifiques, surpassant ainsi les approches existantes et des modèles plus grands sur diverses tâches de perception et de raisonnement 3D.
Le papier présente VideoHV-Agent, un cadre multi-agents qui améliore la compréhension des vidéos longues en reformulant le raisonnement comme un processus structuré de formulation d'hypothèses et de vérification, surpassant ainsi les méthodes existantes en précision, en interprétabilité et en efficacité computationnelle.
Le papier présente Wallaroo, un modèle autoregressif simple qui unifie la compréhension, la génération et l'édition multimodales grâce à la prédiction de jetons suivants, en supportant des résolutions multiples et le bilinguisme chinois-anglais.
Le papier présente TAPFormer, un cadre de suivi de points arbitraires robuste qui fusionne de manière asynchrone et adaptative des images et des flux d'événements pour surmonter les problèmes d'alignement temporel et de défaillance des modalités, tout en introduisant un nouveau jeu de données réel pour valider ses performances supérieures sur des benchmarks standards.
Le papier présente MultiGO++, un cadre novateur de reconstruction 3D de humains vêtus à partir d'une seule image qui surpasse les méthodes existantes en surmontant leurs limitations texturales, géométriques et systémiques grâce à une collaboration efficace entre géométrie et texture.
Le papier présente Lens2Zernike, un cadre d'apprentissage profond physiquement cohérent qui récupère de manière aveugle les paramètres optiques à partir d'une seule image floue en intégrant une supervision multi-tâche sur trois domaines optiques distincts, permettant ainsi une déconvolution non aveugle stable et une restauration supérieure des détails sur les appareils mobiles.