1863 articles
Le papier présente Pri4R, une méthode simple et efficace qui améliore les modèles Vision-Language-Action en leur apprenant implicitement la dynamique du monde via l'entraînement sur des trajectoires de points 3D privilégiées, sans ajouter de surcoût computationnel ni modifier l'architecture lors de l'inférence.
Cette étude comparative analyse les architectures de traitement IA ultra-basse consommation, notamment les SoCs hétérogènes et les processeurs en capteur, en mettant en évidence, grâce à des benchmarks sur GAP9, STM32N6 et IMX500, la supériorité émergente du traitement en capteur en termes d'efficacité énergétique et de productivité.
Le papier présente Granulon, un nouveau modèle multimodal fondé sur DINOv3 qui surpasse les approches existantes en améliorant la précision et en réduisant les hallucinations grâce à un contrôle adaptatif de la granularité visuelle permettant un raisonnement unifié allant du pixel aux concepts globaux.
Cet article présente un cadre de filigrane natif pour le 3D Gaussian Splatting qui sépare la sélection des porteurs de la préservation de la qualité grâce à des modules d'experts et de contrôle de sécurité, garantissant ainsi une robustesse accrue, une fidélité visuelle supérieure et une explication auditable du processus de marquage.
Le papier présente VisionCreator-R1, un agent natif de génération visuelle doté d'un mécanisme de réflexion explicite et entraîné via une méthode d'optimisation conjointe plan-réflexion (RPCO) qui surpasse Gemini2.5Pro sur des tâches de génération d'images uniques et multiples.
Cette recherche présente un système d'affectation de places de stationnement intelligent et économique utilisant la vision par ordinateur et le modèle YOLOv8, qui fusionne des images de quatre caméras via une projection inverse de perspective pour simuler un environnement de stationnement en 3D et guider les utilisateurs.
Ce papier présente MuCTaL, un cadre d'apprentissage profond léger et généralisable entraîné sur quatre types de cancers pour localiser avec précision les tumeurs dans les images de pathologie numérique et générer des cartes de probabilité spatiales.
HECTOR est un pipeline de génération vidéo innovant qui permet un contrôle compositionnel fin en combinant des références statiques et dynamiques tout en spécifiant explicitement les trajectoires des objets pour respecter des contraintes spatio-temporelles complexes.
Cet article présente une évaluation comparative systématique des vulnérabilités aux attaques par patch physique de trois architectures de modèles vision-langage pour la conduite autonome, révélant que ces systèmes actuels sont gravement fragiles face à des menaces adverses dans des environnements réalistes.
Cet article introduit la segmentation de requête visuelle (VQS) comme nouveau paradigme de localisation, accompagné du benchmark à grande échelle VQS-4K et de la méthode VQ-SAM, qui surpassent les approches existantes pour segmenter précisément toutes les occurrences d'un objet dans des vidéos non élaguées.
Cet article propose une famille d'adaptateurs légers côté décodeur, les MKGA, qui améliorent la robustesse des modèles d'automatisation des ultrasons thyroïdiens face aux décalages entre centres en exploitant des champs récepteurs complémentaires et un mécanisme de filtrage sémantique pour atténuer les interférences négatives entre la segmentation et l'évaluation du risque de malignité.
Le papier présente MedCBR, un cadre de raisonnement basé sur des concepts qui intègre les directives cliniques aux modèles vision-langage pour améliorer l'interprétabilité et la fiabilité des diagnostics médicaux en générant des narratifs cliniques structurés.
Le défi MEGC2026 lance deux nouvelles tâches de question-réponse sur vidéo (ME-VQA et ME-LVQA) pour évaluer les capacités des modèles multimodaux à analyser les micro-expressions faciales, qu'elles soient courtes ou longues, en exploitant leurs puissantes capacités de raisonnement.
Le papier présente TIDE, une méthode d'extrapolation sans entraînement pour les Transformers de diffusion qui permet de générer des images à des résolutions et des ratios d'aspect arbitraires en corrigeant le déséquilibre entre les jetons de texte et d'image via un mécanisme d'ancrage textuel et en éliminant les artefacts grâce à un contrôle dynamique de la température.
Cette étude présente un nouveau cadre utilisant des modèles de vision-langage fondationnels pour générer automatiquement des configurations de simulation de plantes à partir d'images de drones, offrant ainsi une solution évolutive pour la création de jumeaux numériques agricoles.
Le papier présente PathoScribe, un cadre unifié piloté par un grand modèle de langage (LLM) qui transforme les archives de pathologie statiques en une bibliothèque vivante et intelligente, permettant la recherche sémantique, la construction automatisée de cohortes et l'aide au diagnostic clinique avec une précision et une efficacité supérieures aux méthodes traditionnelles.
Le papier présente BiCLIP, un cadre simple et efficace qui améliore l'adaptation de domaine des modèles vision-langage en appliquant une transformation géométrique structurée aux caractéristiques multimodales, permettant d'atteindre des performances de pointe sur plusieurs benchmarks avec un nombre minimal de paramètres.
Cet article présente le premier benchmark d'apprentissage continu sans exemples pour la segmentation audio-visuelle, accompagné de la méthode ATLAS qui intègre un conditionnement pré-fusion guidé par l'audio et une ancrage de faible rang pour atténuer l'oubli catastrophique dans des environnements dynamiques.
Le papier présente SVG-EAR, une méthode sans paramètres qui améliore l'efficacité de la génération vidéo par diffusion via un routage conscient de l'erreur et une compensation linéaire basée sur des centroïdes, permettant d'accélérer considérablement l'inférence tout en préservant la qualité visuelle.
Le papier présente SurgCalib, un cadre de calibration main-œil sans marqueur basé sur le Gaussian Splatting pour les robots chirurgicaux da Vinci, qui surmonte les imprécisions des encodeurs et les contraintes de stérilité en affinant la pose de l'instrument via une optimisation différentiable sous contrainte RCM.