5561 articles
Cet article présente MC-INR, un cadre novateur basé sur l'apprentissage par méta-entraînement et le regroupement dynamique pour encoder efficacement des données de simulation scientifique multivariées sur des grilles non structurées, surmontant ainsi les limitations des représentations neuronales implicites existantes.
Le papier présente CoBELa, un cadre basé sur l'énergie sans décodeur qui améliore la transparence de la génération en conditionnant entièrement la synthèse via des fonctions d'énergie par concept, permettant ainsi des interventions compositionnelles fiables et une interprétation post-hoc sans nécessiter de réentraînement du générateur.
Le papier présente InstructVLA, un modèle vision-langage-action qui, grâce à un nouveau paradigme d'ajustement par instructions (VLA-IT) et à une adaptation par mélange d'experts, préserve les capacités de raisonnement des grands modèles tout en atteignant des performances de manipulation de pointe et une forte généralisation sur des tâches complexes.
Ce papier présente DMTrack, une nouvelle architecture d'adaptateurs duaux pour le suivi multimodal spatio-temporel qui, grâce à des modules d'adaptation modale innovants, atteint des performances de pointe avec seulement 0,93 million de paramètres entraînables.
Cet article propose un cadre de super-résolution 3D en zéro-shot pour la tomodensitométrie (CT) qui intègre des priors de projection 2D générés par diffusion et une reconstruction volumique basée sur des gaussiennes signées avec un mélange d'opacité négatif, permettant de restaurer des détails fins sans données appariées.
Ce papier présente MMTok, une méthode qui améliore l'efficacité de l'inférence des modèles vision-langage en sélectionnant des jetons visuels informatifs grâce à un critère de couverture maximale exploitant simultanément les informations visuelles et textuelles.
Ce papier présente ConEQsA, un système agentique novateur et un benchmark associé (CAEQs) conçus pour résoudre le problème de la réponse simultanée et asynchrone à plusieurs questions dans des environnements 3D en optimisant l'exploration et la planification selon l'urgence des requêtes.
Cette étude évalue systématiquement les capacités des modèles vision-langage à comprendre la topologie routière pour la conduite autonome, révélant que malgré des progrès certains, ils peinent encore à maîtriser le raisonnement spatial fondamental, en particulier les modèles open-source, ce qui souligne un goulot d'étranglement majeur pour leur déploiement sécurisé.
Le papier présente SiNGER, un cadre de distillation de connaissances innovant qui améliore les modèles Vision Transformers en supprimant les artefacts à forte norme tout en préservant les signaux informatifs grâce à une perturbation guidée par l'espace nul, permettant ainsi d'obtenir des performances de pointe et des représentations plus claires.
Ce papier présente Earth-Agent, un cadre agentique pionnier unifiant les données d'observation de la Terre RGB et spectrales au sein d'un écosystème d'outils MCP pour permettre un raisonnement spatio-temporel quantitatif complexe, accompagné de Earth-Bench, une nouvelle norme d'évaluation destinée à valider ces capacités avancées.
Le papier présente PROFusion, une méthode de reconstruction dense en temps réel qui combine une régression de pose par apprentissage profond et une optimisation stochastique pour surmonter les limitations des systèmes SLAM actuels face aux mouvements de caméra instables, tout en garantissant une précision élevée.
L'article présente Proxy-GS, une méthode innovante qui utilise un système de proxy rapide pour introduire une conscience de l'occlusion dans le splatting gaussien 3D, permettant ainsi d'accélérer le rendu et d'améliorer la qualité visuelle en éliminant les redondances et en guidant la densification.
Ce papier présente EchoGen, un cadre pionnier de génération pilotée par sujet basé sur des modèles auto-régressifs visuels (VAR) qui, grâce à une stratégie d'injection à double voie, surpasse les méthodes de diffusion en termes de rapidité d'inférence tout en maintenant une fidélité et une qualité d'image exceptionnelles.
Le papier présente TTT3R, une méthode sans entraînement qui améliore la généralisation de longueur des modèles de reconstruction 3D en reformulant le problème comme un apprentissage en ligne et en calculant un taux d'apprentissage fermé basé sur la confiance d'alignement entre l'état de mémoire et les nouvelles observations.
Le papier présente BindWeave, un cadre unifié intégrant un modèle de langage multimodal (MLLM) et un transformateur de diffusion (DiT) pour générer des vidéos haute fidélité avec une cohérence de sujet exceptionnelle, même dans des scènes complexes à multiples entités, surpassant ainsi les modèles existants sur le benchmark OpenS2V.
L'article présente ArbInterp, un cadre d'interpolation vidéo générative novateur qui permet de synthétiser des trames intermédiaires à n'importe quel moment et de n'importe quelle durée grâce à l'utilisation d'un encodage de position rotatif sensible aux timestamps (TaRoPE) et d'une stratégie de conditionnement découplant l'apparence du mouvement.
Le papier présente D2E, un cadre qui démontre que le pré-entraînement sur des données d'interactions de bureau à grande échelle permet d'acquérir des primitives sensorimotrices transférables vers des tâches d'IA incarnée physique, surpassant des modèles beaucoup plus grands avec des performances de pointe.
Le papier présente Human3R, un cadre unifié et feed-forward capable de reconstruire en temps réel, à partir d'une seule vidéo monoculaire, les trajectoires de caméra, les scènes 3D denses et les corps humains multiples dans un seul passage, éliminant ainsi les dépendances lourdes et les étapes itératives des méthodes précédentes.
Le papier présente MIRAGE, un cadre de planification d'exécution efficace pour la recherche d'images par génération augmentée, qui améliore la précision et réduit les calculs grâce à une décomposition hiérarchique novatrice et à la minimisation des redondances.
Cet article propose RALI, un nouvel algorithme qui aligne directement les images sur des représentations textuelles généralisables apprises par des modèles de langage multimodal via l'apprentissage par renforcement, permettant ainsi d'atteindre des performances d'évaluation de la qualité d'image comparables à celles des modèles de raisonnement tout en réduisant drastiquement les paramètres et le temps d'inférence.