5422 articles
Cet article présente un cadre unifié de synthèse d'interactions humain-objet qui exploite les modèles vision-langage pour générer automatiquement des politiques de mouvement et des fonctions de récompense via une nouvelle représentation dynamique relative, éliminant ainsi le besoin de données de capture de mouvement coûteuses ou d'ingénierie manuelle des récompenses.
Ce papier propose un nouveau jeu de données axé sur les interactions et une méthode d'affinement par décomposition assistée par des modèles de langage multimodaux pour améliorer la génération d'images text-to-image riches en interactions complexes entre objets.
Cet article présente Inception, la première attaque de jailbreak multi-tours exploitant les mécanismes de mémoire des systèmes de génération d'images par texte pour contourner les filtres de sécurité en divisant et en récursant les intentions malveillantes, surpassant ainsi les méthodes existantes avec un taux de réussite supérieur de 20 %.
Cet article présente le CSASN, un cadre d'apprentissage multitâche innovant intégrant un réseau à double branche avec mécanismes d'attention pour surmonter les défis de l'hétérogénéité morphologique et du déséquilibre des données dans le diagnostic par ultrasons des rares carcinomes thyroïdiens.
Cet article caractérise le motif de bruit de défocalisation synthétique (SDNP) propre aux portraits iPhone, propose une méthode pour le modéliser et l'estimer précisément, et démontre son utilité pour la traçabilité des appareils ainsi que pour améliorer la fiabilité de l'authentification de source photographique en masquant les zones affectées.
Ce papier propose MoB, une méthode de pruning de tokens visuels fondée sur la théorie du recouvrement et une formulation bi-objectif, qui résout le compromis inhérent entre l'alignement et la préservation visuelle pour offrir une accélération significative des modèles multimodaux avec une perte de performance négligeable.
Cette étude présente une analyse comparative des modèles de langage et des systèmes OCR traditionnels pour la reconnaissance du texte urdien dans les journaux, en introduisant le jeu de données UNB et en démontrant que le fine-tuning des LLMs sur de petits échantillons permet d'atteindre des performances supérieures malgré la complexité du script Nastaliq et la qualité variable des scans.
Cet article propose une méthode simple et rapide appelée « Feature Mixing » pour la synthèse d'anomalies multimodales, accompagnée d'un nouveau jeu de données nommé CARLA-OOD, afin d'améliorer la détection et la segmentation des données hors distribution avec des performances de pointe et une accélération significative.
Cet article présente le jeu de données BAH, un ensemble multimodal de vidéos annoté par des experts pour la reconnaissance automatique de l'ambivalence et de l'hésitation dans les interventions numériques de changement de comportement, comblant ainsi un vide critique pour le développement de modèles d'apprentissage machine adaptés.
Ce papier présente TADA, un cadre d'augmentation ciblée par modèles de diffusion qui améliore la généralisation des classificateurs d'images en synthétisant uniquement les exemples difficiles à apprendre, surpassant ainsi les méthodes d'augmentation massive tout en réduisant les coûts computationnels.
Cet article présente un système de surveillance des vibrations structurelles à faible consommation et peu coûteux, intégrant une couche diffractive optimisée conjointement avec un réseau de neurones peu profond pour reconstruire en temps réel les spectres de vibrations 3D des infrastructures sans nécessiter de réseaux de capteurs denses.
Le papier présente EgoWorld, un cadre novateur qui reconstruit des vues à la première personne à partir d'observations exocentriques riches (nuages de points, poses 3D des mains et descriptions textuelles) en utilisant des modèles de diffusion, surpassant ainsi les méthodes actuelles et démontrant une forte généralisation sur plusieurs jeux de données.
Cet article propose le premier cadre de détection d'objets orientés partiellement faiblement supervisé (PWOOD), qui combine un modèle étudiant sensible à l'orientation et à l'échelle avec une stratégie de filtrage des pseudo-étiquettes pour exploiter efficacement de grandes quantités de données non étiquetées et surpasser les algorithmes semi-supervisés traditionnels tout en réduisant les coûts d'annotation.
Cet article propose Fast Equivariant Imaging (FEI), un cadre d'apprentissage non supervisé qui accélère considérablement l'entraînement des réseaux d'imagerie sans données de référence en reformulant le problème via la méthode du lagrangien augmenté et des débruiteurs plug-and-play, offrant ainsi une accélération de 10 fois et de meilleures performances de généralisation par rapport aux méthodes existantes.
Ce papier présente D2Dewarp, une méthode d'éclaircissement d'images de documents qui améliore la rectification en apprenant des représentations géométriques sur deux dimensions (horizontale et verticale) via un module de fusion coordonné et en introduisant un nouveau jeu de données d'entraînement annoté automatiquement nommé DocDewarpHV.
Le papier présente VITA, un cadre d'apprentissage de politiques par matching de flux sans bruit ni conditionnement visuel explicite, qui relie directement les représentations visuelles aux actions latentes via un autoencodeur et un décodage ancré pour accélérer l'inférence tout en maintenant des performances de pointe.
Cet article présente une méthode novatrice utilisant des convolutions d'homologie persistante pour capturer des informations topologiques locales dans les lames d'histopathologie, surpassant ainsi les modèles CNN conventionnels en termes de précision de classification et de robustesse aux hyperparamètres.
Cet article propose l'apprentissage de prompts adaptatifs aux images (IAPL), une nouvelle approche qui ajuste dynamiquement les prompts d'encodage pour chaque image testée afin de surmonter les limites de généralisation des méthodes actuelles et d'atteindre des performances de pointe dans la détection d'images générées par l'IA.
Le papier présente GaitSnippet, une nouvelle méthode de reconnaissance de la démarche qui surpasse les approches par ensembles et séquences en modélisant la démarche comme une composition d'actions individuelles (snippets) pour intégrer efficacement des contextes temporels multi-échelles, validée par des résultats de pointe sur plusieurs jeux de données.
Cet article présente Veason-R1, un modèle de langage-vision entraîné par optimisation de politique relative de groupe (GRPO) et initialisé par un raisonnement en chaîne (CoT), qui améliore significativement la segmentation vidéo par raisonnement en renforçant la cohérence spatio-temporelle et en réduisant les hallucinations.