5557 articles
L'article présente Waffle, une nouvelle stratégie d'affinement de modèles multimodaux qui améliore la génération de code HTML à partir de designs d'interface utilisateur en utilisant un mécanisme d'attention conscient de la structure et un apprentissage contrastif, surpassant ainsi les méthodes actuelles sur les benchmarks WebSight-Test et Design2Code.
Le papier présente RealOSR, un cadre de super-résolution d'images omnidirectionnelles basé sur la diffusion qui utilise un module de guidage latent appelé LaGAR pour surmonter les limitations des dégradations réelles et offrir une accélération d'inférence de plus de 200 fois par rapport aux méthodes existantes.
Le papier présente Slot-BERT, un modèle bidirectionnel auto-supervisé conçu pour découvrir des objets dans les vidéos chirurgicales longues en assurant une cohérence temporelle robuste et une désentanglement efficace des représentations, surpassant ainsi les méthodes existantes tout en permettant une adaptation zéro-shot à divers domaines chirurgicaux.
Cet article présente le premier cadre capable d'apprendre des représentations agnostiques de l'architecture pour des NeRFs diversifiés, y compris ceux non vus lors de l'entraînement, en utilisant un réseau méta-graphe et un objectif contrastif pour surpasser les méthodes existantes limitées à des architectures uniques.
Cet article présente une méthode d'apprentissage non supervisé basée sur la cohérence cyclique et l'optimisation bayésienne pour la correspondance de graphes multiples, permettant d'atteindre la précision des approches supervisées dans l'annotation sémantique des cellules de *C. elegans* et de construire le premier atlas cellulaire non supervisé de cet organisme.
Cette étude propose une stratégie de défense unique et efficace basée sur les réseaux antagonistes génératifs (GAN) pour protéger la classification des panneaux de signalisation contre les attaques par patch adverses, améliorant ainsi considérablement la précision et la sécurité des systèmes de conduite autonome en temps réel.
Ce papier présente LaGoVAD, un nouveau détecteur d'anomalies vidéo en monde ouvert guidé par le langage naturel qui s'adapte dynamiquement aux définitions variables des anomalies sous supervision faible, en s'appuyant sur un nouveau jeu de données pré-entraîné nommé PreVAD pour atteindre des performances de pointe.
Ce papier présente SwD, un cadre de distillation de modèles de diffusion qui améliore l'efficacité de l'échantillonnage grâce à une génération progressive et un objectif de distillation basé sur la divergence MMD, permettant d'atteindre des vitesses d'échantillonnage équivalentes à deux étapes complètes tout en surpassant les méthodes existantes.
Cet article présente le premier cadre complet pour l'estimation de pose humaine 2D différentiellement privée, combinant des méthodes de projection de gradients et de privatisation des caractéristiques pour atteindre un équilibre optimal entre confidentialité et précision sur le jeu de données MPII.
Ce papier présente ANSE, un cadre d'inférence qui sélectionne automatiquement les meilleurs bruits initiaux pour la génération de vidéos en quantifiant l'incertitude via l'attention du modèle, améliorant ainsi la qualité et la cohérence temporelle sans coût computationnel significatif.
Ce papier présente SABER, un cadre innovant générant des objets adversariaux 3D universels et spatialement cohérents placés dans l'environnement pour évaluer et exploiter les vulnérabilités des détecteurs d'objets 3D en vue aérienne (BEV) sans modifier les véhicules cibles.
Cet article propose l'Interaction Field Matching (IFM), une généralisation du champ électrostatique qui surmonte ses limitations en utilisant un champ d'interaction inspiré des interactions fortes entre quarks pour améliorer la génération et le transfert de données.
Cet article présente HSSBench, un benchmark multilingue de plus de 13 000 échantillons conçu pour évaluer et stimuler les capacités de raisonnement interdisciplinaire des modèles de langage multimodaux dans le domaine des sciences humaines et sociales, comblant ainsi une lacune majeure des évaluations actuelles axées sur les STEM.
Ce papier présente Frame Guidance, une méthode d'entraînement gratuit qui permet un contrôle précis au niveau des images dans la génération de vidéos par diffusion en utilisant des signaux tels que des images clés ou des croquis, tout en optimisant l'utilisation de la mémoire et en assurant une cohérence globale sans nécessiter de fine-tuning.
Le papier présente Perception-R1, une méthode qui améliore les capacités de raisonnement multimodal des grands modèles de langage en introduisant une récompense de perception visuelle basée sur la cohérence avec des annotations textuelles, comblant ainsi une lacune des approches RLVR existantes.
Le papier présente StreamSplat, un cadre entièrement feed-forward capable de reconstruire instantanément des scènes 3D dynamiques à partir de flux vidéo non calibrés en temps réel grâce à trois innovations techniques clés, offrant ainsi une accélération de 1200 fois par rapport aux méthodes d'optimisation traditionnelles.
Ce papier présente ECAD, une méthode basée sur un algorithme génétique qui optimise dynamiquement les stratégies de cache pour accélérer l'inférence des modèles de diffusion sans modifier leurs paramètres, tout en garantissant une généralisation efficace à différentes architectures et résolutions.
Cette étude démontre que l'utilisation d'images générées par des modèles texte-vers-image permet de débloquer des priors visuels latents pour améliorer le raisonnement centré sur le texte, à condition que l'alignement sémantique et la fidélité de génération soient optimaux.
Le papier présente SceneStreamer, un cadre unifié de génération autoregressive qui modélise les scénarios de trafic continus comme une séquence de tokens pour permettre une simulation dynamique et à long horizon, essentielle pour entraîner et évaluer des systèmes de conduite autonome plus robustes.
Cet article propose un nouveau planificateur de guidance par recuit qui ajuste dynamiquement l'échelle de guidance dans les modèles de diffusion pour améliorer la qualité des images et leur alignement avec le texte, sans coût supplémentaire en mémoire ni en activations.