5518 articles
Ce rapport technique présente Phi-4-reasoning-vision-15B, un modèle multimodal de raisonnement compact et open-weight qui démontre que des choix architecturaux rigoureux, une curation de données systématique et un encodage haute résolution permettent d'obtenir des performances compétitives avec moins de ressources de calcul.
Le papier présente GeoSeg, un cadre de segmentation en télédétection sans entraînement ni supervision qui surpasse les méthodes existantes en couplant le raisonnement des MLLM à des mécanismes de raffinement de coordonnées et de prompting pour surmonter les défis spécifiques au domaine.
Ce papier présente RIVER, un nouveau benchmark conçu pour évaluer et améliorer les capacités des modèles de langage multimodaux à comprendre et interagir en temps réel avec des vidéos, en introduisant des tâches de mémoire rétrospective, de perception en direct et d'anticipation proactive.
Cette étude propose un cadre diagnostique basé sur la paréidolie faciale pour révéler comment les choix de représentation, plutôt que les seuils de score, déterminent si les modèles de vision interprètent les ambiguïtés visuelles par une suractivation sémantique (comme les VLM), une abstention par incertitude (comme ViT) ou une suppression conservatrice (comme les détecteurs).
Ce papier présente SAFE, un cadre d'apprentissage en deux étapes qui utilise l'inférence d'embeddings et l'apprentissage contrastif pour générer automatiquement des annotations de lésions faiblement supervisées, améliorant ainsi significativement la précision du dépistage de la rétinopathie diabétique.
Ce papier présente DPAD, une méthode qui améliore la segmentation par raisonnement en intégrant une perception discriminative via la génération de descriptions ancrées, permettant ainsi d'obtenir des chaînes de raisonnement plus concises et précises tout en augmentant significativement les performances sur les benchmarks.
Cet article propose un cadre d'apprentissage par renforcement pour la génération de rapports radiologiques qui améliore l'efficacité et l'efficacité clinique en introduisant une stratégie d'échantillonnage basée sur la diversité diagnostique et une optimisation de politique pondérée par les tokens diagnostiques (DiTPO), permettant d'atteindre des performances de pointe avec moins de données d'entraînement.
Le papier propose le modèle de Diffusion Directionnelle Volumétrique (VDD), qui ancre la génération d'incertitudes dans un consensus anatomique déterministe pour quantifier précisément la variabilité inter-observateur dans la segmentation de lésions médicales 3D ambiguës, tout en évitant les hallucinations structurelles et en garantissant la cohérence topologique.
Ce papier propose DQE-CIR, une méthode de recherche d'images composée qui améliore la discrimination des requêtes en intégrant des pondérations d'attributs apprissables et un échantillonnage de négatifs relatifs à la cible pour mieux gérer les modifications d'attributs fins.
Cet article présente un jeu de données curaté, une méthode de vérité terrain basée sur l'empreinte d'image et un benchmark de reconnaissance de lieu visuel pour améliorer la localisation visuelle à long terme dans les environnements benthiques dynamiques.
Cet article propose l'attaque légère MELT, qui démontre qu'il est possible de réaliser des attaques par porte dérobée efficaces sur le modèle multi-encodeur Stable Diffusion 3 en ajustant moins de 0,2 % des paramètres des encodeurs de texte.
Cette étude démontre que, pour l'analyse de cellules dans des images histopathologiques de très faible résolution, les architectures spécifiques entraînées sur des données suffisantes surpassent les modèles de fondation en termes de précision et d'efficacité, sans offrir d'avantage en robustesse au flou.
Le papier présente EgoPoseFormer v2, une méthode basée sur les transformateurs et un système d'auto-étiquetage qui améliore considérablement l'estimation du mouvement humain en vue égocentrique pour la réalité augmentée et virtuelle, en surmontant les défis d'occlusion et de données limitées pour atteindre une précision et une stabilité temporelle supérieures aux méthodes actuelles.
Cet article propose un cadre vision-langage guidé par CLIP pour la phénotypage végétal multi-vues, qui améliore significativement la précision de la prédiction de l'âge et du nombre de feuilles en générant des représentations invariantes à l'angle et en conditionnant les caractéristiques visuelles sur des priors textuels de niveau de vue.
Cet article propose un sélecteur de trames « Dual-Criterion » exploitant la stabilité du regard et la réponse pupillaire pour filtrer efficacement les flux vidéo egocentriques, permettant d'atteindre des performances de classification équivalentes à celles du flux complet avec seulement 10 % des données tout en évitant l'inférence de modèles.
Cet article présente HPENet, une nouvelle architecture de réseaux de neurones basée sur MLP qui améliore l'efficacité et les performances du traitement des nuages de points grâce à un encodage positionnel haute dimension (HPE) et à des mécanismes non locaux, surpassant ainsi des modèles de référence comme PointNeXt avec une fraction significative de la complexité computationnelle.
Cette étude propose un cadre d'apprentissage de représentations désenchevêtrées pour démontrer que la prédictibilité des attributs démographiques dans les IRM cérébraux provient principalement de variations anatomiques plutôt que de différences de contraste liées à l'acquisition, soulignant ainsi la nécessité de stratégies d'atténuation du biais qui distinguent ces deux sources.
Le papier présente Any2Any, un cadre unifié de diffusion latente qui permet la traduction arbitraire entre multiples modalités de télédétection en projetant les données dans un espace latent partagé, tout en introduisant le jeu de données RST-1M pour soutenir l'apprentissage de ces tâches complexes.
Le papier présente TextBoost, une méthode de compression d'images ultra-bas débit qui améliore la fidélité du texte de scène en intégrant des informations sémantiques extraites par OCR comme guide pour le décodeur, permettant ainsi de préserver la lisibilité des petits caractères sans compromettre la qualité globale de l'image.
Cet article propose une nouvelle méthode basée sur un discriminateur de résidus de caractéristiques (FR-Disc) pour la reconnaissance d'actions en régime few-shot et en ensemble ouvert, établissant un nouvel état de l'art sur cinq jeux de données vidéo tout en fournissant un benchmark complet.