5475 articles
Cet article propose S²-Guidance, une méthode d'amélioration sans entraînement qui utilise l'arrêt stochastique de blocs pour générer des sous-réseaux capables de guider les modèles de diffusion vers des résultats de meilleure qualité que la guidance sans classificateur (CFG).
Cet article de concept propose l'Adaptive Quantized Planetary Crater Detection System (AQ-PCDSys), une architecture intégrant un réseau de neurones quantifié et une fusion adaptative de capteurs pour permettre une détection de cratères planétaires en temps réel sur du matériel spatial aux ressources limitées.
Cet article présente ROBUST-MIPS, un jeu de données enrichi dérivé de ROBUST-MIS qui combine des annotations de pose squelettique et de segmentation d'instances d'instruments chirurgicaux pour démontrer que la pose constitue une méthode d'annotation efficace et riche en informations sémantiques, tout en fournissant des modèles de référence et un logiciel personnalisé pour faciliter son adoption.
Les auteurs proposent un cadre d'élagage léger et préservant l'index qui filtre les régions non informatives des documents avant leur traitement par des modèles vision-langage, réduisant ainsi considérablement les coûts de calcul tout en maintenant une précision comparable.
QDFlow est un simulateur physique open-source en Python conçu pour générer des données synthétiques réalistes et étiquetées sur des dispositifs de boîtes quantiques, afin de pallier le manque de données expérimentales et de faciliter le développement et le benchmarking de modèles d'apprentissage automatique.
Cet article propose un bloc de connexion de saut dynamique (DSC) intégrant un module d'entraînement au moment du test et un noyau multi-échelle dynamique pour surmonter les contraintes inter et intra-fonctionnelles des réseaux de type U et améliorer la segmentation d'images médicales.
Cet article présente ActiSeg-NL, le premier benchmark évaluant la robustesse de la segmentation vidéo d'objets basée sur l'action face au bruit d'étiquetage textuel et de masques, et propose une analyse approfondie des stratégies d'apprentissage ainsi qu'un nouveau mécanisme de tête de masque parallèle (PMHM) pour y remédier.
Cet article présente une méthode rapide et certifiée d'optimisation globale pour l'estimation simultanée de la forme et de la pose d'objets à partir d'images RGB-D et de priors catégoriels, capable de s'exécuter en moins d'une milliseconde grâce à une itération de champ auto-cohérent.
Ce papier présente le Raw-JPEG Adapter, un pipeline prétraitement léger et réversible qui adapte les images brutes à la compression JPEG standard pour offrir un compromis optimal entre taux de compression et fidélité de reconstruction, tout en stockant les paramètres nécessaires dans le champ commentaire du fichier.
Le papier présente Vision-Zero, un cadre d'auto-apprentissage multi-agents sans étiquettes qui améliore les modèles vision-langage par des jeux compétitifs générés à partir d'images arbitraires et une optimisation de politique itérative, permettant d'atteindre des performances de pointe sur diverses tâches de raisonnement visuel.
Cet article présente un cadre novateur d'édition d'images sans entraînement qui formule le processus comme un problème de contrôle optimal de trajectoire pour guider les modèles de diffusion vers l'optimisation d'une récompense tout en préservant la fidélité sémantique de l'image source.
Cet article présente une étude systématique sur la génération et l'édition d'images structurées, incluant la création d'un jeu de données de 1,3 million de paires, le développement d'un modèle unifié VLM-FLUX.1 avec raisonnement, et l'introduction du benchmark StructBench pour évaluer la fidélité factuelle.
Ce papier présente TIGeR, un cadre novateur qui améliore la précision géométrique des modèles vision-langage pour la robotique en leur permettant de générer et d'exécuter du code via des outils externes, surpassant ainsi les limitations des approches purement qualitatives pour atteindre une précision centimétrique dans les tâches de manipulation réelle.
Ce papier présente ToMCLIP, un cadre d'apprentissage qui améliore l'alignement des modèles vision-langage multilingues en intégrant des contraintes topologiques via l'homologie persistante pour préserver la géométrie globale de l'espace d'embedding et renforcer les performances en zéro-shot et en récupération multilingue.
Cet article présente COGS, un cadre de synthèse de données ancré sur la composition qui améliore les capacités de raisonnement des modèles de langage multimodaux préentraînés en décomposant et recomposant systématiquement des questions semences pour générer des données synthétiques, permettant ainsi des gains significatifs sur des tâches de raisonnement visuel complexes comme l'analyse de graphiques et de documents web.
Cette étude révèle que la fiabilité de la détection hors distribution par Mahalanobis dépend fortement de la géométrie des représentations, et propose une normalisation radialement ajustée basée sur la dimensionnalité intrinsèque locale pour optimiser les performances.
Kaleido est un modèle de génération vidéo open-source qui surpasse les méthodes existantes en matière de cohérence multi-sujets et de fidélité aux références grâce à une nouvelle chaîne de construction de données et à l'introduction d'un encodage positionnel rotatif dédié (R-RoPE) pour l'intégration stable de multiples images de référence.
Cet article propose le PCP, un cadre d'apprentissage faiblement supervisé qui utilise des priors de concepts au niveau des classes pour prédire des concepts médicaux interprétables sans annotations explicites ni modèles linguistiques, améliorant ainsi significativement la précision des concepts tout en maintenant des performances de classification compétitives sur plusieurs jeux de données médicaux.
Cet article propose un cadre unifié pour l'optimisation conjointe de la géométrie maillée et de l'apparence guidée par des textures, permettant une reconstruction 3D de haute qualité à partir d'images multi-vues qui facilite les tâches d'édition en aval telles que le rééclairage et la déformation.
Cet article propose un cadre novateur de concordance sémantique sensible aux contours, baptisé ESC, qui fusionne de manière résiliente les modalités événementielle et RVB pour la segmentation sémantique dans des conditions extrêmes en récodant les caractéristiques hétérogènes à l'aide d'indicateurs d'incertitude et d'un dictionnaire de contours préétabli.