5561 articles
Cet article propose un cadre d'apprentissage coopératif (CSL) qui résout simultanément l'apprentissage de caractéristiques sémantiques robustes et la récupération des labels manquants pour la reconnaissance d'images multi-étiquettes incomplète, surpassant ainsi les méthodes de l'état de l'art sur plusieurs jeux de données publics.
Le papier présente UniFlow, un tokenizer visuel unifié qui résout le compromis traditionnel entre la compréhension et la génération d'images en combinant une distillation auto-adaptative pour préserver les caractéristiques sémantiques avec un décodeur de flux de pixels par patch pour une reconstruction fidèle, permettant ainsi de surpasser les modèles existants sur des tâches d'analyse et de création visuelle.
Cet article présente un cadre d'apprentissage en deux étapes qui permet d'entraîner des modèles génératifs directement dans l'espace des pixels avec des performances de pointe sur ImageNet, surpassant les méthodes basées sur les VAE et réduisant considérablement les coûts de calcul.
Inspiré par le circuit olfactif de la mouche, Fly-CL est un cadre bio-inspiré qui améliore l'apprentissage continu de représentations en résolvant efficacement la multicolinéarité et en réduisant considérablement le temps d'entraînement tout en maintenant des performances de pointe.
Le papier présente Mono4DGS-HDR, un système pionnier utilisant une approche d'optimisation en deux étapes basée sur le Gaussian Splatting pour reconstruire des scènes 4D à haute dynamique (HDR) à partir de vidéos monoculaires non calibrées avec des expositions alternées, tout en assurant une cohérence temporelle grâce à une régularisation spécifique.
Le papier présente LightMem, un système de mémoire léger et efficace inspiré du modèle humain d'Atkinson-Shiffrin qui, grâce à une organisation en trois étapes (mémoire sensorielle, court terme et long terme avec mise à jour hors ligne), améliore significativement la précision des LLMs tout en réduisant drastiquement l'utilisation de tokens et les appels API par rapport aux méthodes existantes.
L'article présente BioCAP, un modèle fondamental biologique qui améliore la classification des espèces et la recherche image-texte en exploitant des légendes synthétiques générées par des modèles de langage multimodaux pour enrichir l'apprentissage au-delà des simples étiquettes.
VoMP est une méthode feed-forward novatrice qui prédit de manière précise et rapide les champs de propriétés mécaniques volumétriques (module de Young, coefficient de Poisson et densité) de n'importe quel objet 3D en apprenant un espace latent de matériaux physiquement plausibles à partir d'un nouveau pipeline d'annotation et d'un benchmark dédié.
Le papier présente Concerto, un modèle d'apprentissage auto-supervisé conjoint 2D-3D inspiré de la synergie multisensorielle humaine, qui établit de nouvelles références dans la perception des scènes 3D en apprenant des représentations spatiales géométriques et sémantiques supérieures.
Le papier présente ProMoE, un cadre MoE pour les Transformers de diffusion qui surpasse les méthodes actuelles en introduisant un routage explicite à deux étapes guidé par des prototypes pour surmonter les défis de la spécialisation des experts dans les tokens visuels.
Le papier présente "Brain-IT", une méthode basée sur un Transformer d'interaction cérébrale qui reconstruit fidèlement des images à partir de données fMRI en exploitant des clusters fonctionnels partagés pour prédire des caractéristiques sémantiques et structurelles, surpassant les approches actuelles tout en nécessitant beaucoup moins de données d'entraînement.
Cette étude propose une méthode novatrice générant des vidéos de visages parlants haute résolution exclusivement à partir d'un seul signal audio, en utilisant un modèle de diffusion conditionné par la parole, des priors faciaux et un module de raffinement régional pour produire des résultats supérieurs aux approches existantes.
Le papier présente ThinkMorph, un modèle unifié qui améliore le raisonnement multimodal en générant des chaînes de pensée intercalées et complémentaires entre texte et image, démontrant ainsi des capacités émergentes et des performances supérieures sur des tâches visuelles et hors domaine.
Cette étude établit que la segmentation d'images médicales suit une loi d'échelle limitée par la géométrie anatomique, où l'augmentation topologique améliore l'efficacité des données sans modifier la structure fondamentale de cette loi.
Le papier propose VeCoR, une méthode de régularisation contrastive de la vitesse qui améliore la stabilité et la fidélité perceptuelle des modèles de Flow Matching en ajoutant une supervision négative pour éviter les trajectoires hors-manifold, ce qui se traduit par des réductions significatives du FID sur des tâches de génération d'images.
Le papier présente UltraViCo, une méthode sans entraînement qui résout les problèmes de répétition et de dégradation de qualité lors de l'extrapolation de la durée des vidéos en supprimant la dispersion de l'attention au-delà de la fenêtre d'entraînement, permettant ainsi d'étendre les limites d'extrapolation jusqu'à quatre fois la longueur originale.
L'article présente ReSAM, un cadre d'apprentissage auto-prompté qui adapte le modèle Segment Anything (SAM) à l'imagerie de télédétection en utilisant uniquement des annotations ponctuelles via une boucle itérative de raffinement, de requête et de renforcement pour surmonter les écarts de domaine et améliorer la segmentation sans nécessiter d'annotations complètes.
Ce papier présente InnoGym, le premier cadre d'évaluation conçu pour mesurer systématiquement le potentiel d'innovation des agents IA en combinant des métriques de gain de performance et de nouveauté méthodologique sur des tâches réelles, révélant ainsi un décalage crucial entre créativité et robustesse.
AdaptVision est un nouveau paradigme de modèles vision-langage qui optimise l'efficacité computationnelle en acquérant de manière adaptative et progressive les tokens visuels nécessaires via un outil de recadrage et un apprentissage par renforcement découpé, surpassant ainsi les méthodes existantes en précision tout en réduisant considérablement le nombre de tokens utilisés.
Ce papier propose FARL, un cadre novateur qui améliore la généralisation en peu d'exemples des modèles vision-langage en utilisant l'analyse de Fourier pour désenchevêtrer explicitement les structures et les styles visuels via un mécanisme d'attention croisée dual.