6808 articles
Cette étude analyse systématiquement l'impact du choix de la pondération et de la paramétrisation sur l'entraînement des modèles de Flow Matching, en examinant leurs interactions avec la dimensionnalité des données, l'architecture du modèle et la taille du jeu de données afin d'offrir des recommandations pratiques pour l'optimisation de la qualité générative et de la précision du débruitage.
Cette étude démontre que les modèles fondationnels visuels-fonctionnels contiennent une géométrie continue riche dans leurs caractéristiques figées, accessible via des sondes linéaires légères, révélant ainsi que les limitations de précision proviennent principalement de l'entraînement du chemin textuel et non d'une absence de représentation géométrique.
Le papier présente GreenRFM, un cadre d'entraînement efficace en ressources pour les modèles fondamentaux de radiologie qui, grâce à une supervision optimisée (MUST), atteint des performances de pointe avec une fraction de la puissance de calcul requise par les approches actuelles, démocratisant ainsi le développement de modèles avancés pour les cliniciens.
Le papier présente Match4Annotate, un cadre léger qui propage des annotations vidéo éparses (points et masques) à l'intérieur et entre les vidéos en ajustant une représentation neuronale implicite aux caractéristiques DINOv3 pour assurer une correspondance fluide et précise, offrant ainsi une solution efficace pour l'annotation à grande échelle dans des domaines spécialisés comme l'imagerie médicale.
Le papier présente Self-Flow, une approche d'apprentissage auto-supervisé par matching de flux qui intègre l'apprentissage de représentations sémantiques directement dans le cadre génératif via un calendrier à double pas de temps, permettant ainsi une synthèse multi-modale évolutive et performante sans dépendre de modèles externes.
Le papier présente SG-DOR, un cadre relationnel qui infère des graphes de scène avec un raisonnement sur l'occlusion conditionnée par la direction pour améliorer la planification de la récolte robotique de poivrons dans des canopées denses.
Cette étude présente un système d'intelligence artificielle entraîné sur plus de 45 000 images échographiques qui détecte les fentes oro-faciales fœtales avec une précision égale à celle des radiologues seniors, améliore la sensibilité des praticiens juniors et accélère leur formation dans le diagnostic de pathologies rares.
Ce papier présente SCAN, un cadre universel fondé sur les principes de l'auto-encodeur et du goulot d'étranglement de l'information, qui génère des cartes de confiance haute résolution pour fournir des explications visuelles fidèles et comparables à la fois pour les réseaux de neurones convolutifs et les architectures Transformer.
Ce papier présente AV-Unified, un cadre unifié qui permet l'apprentissage conjoint de multiples tâches de compréhension de scènes audio-visuelles en standardisant leurs entrées et sorties sous forme de tokens discrets et en intégrant des modules de perception spatio-temporelle multi-échelle et de guidage intermodale.
Cet article présente une méthode de calibration spatiale simple pour les LiDARs à temps de vol diffus, permettant d'établir une correspondance explicite entre chaque pixel LiDAR et son image RGB en estimant sa zone d'impact et sa sensibilité relative grâce à l'utilisation d'un patch rétroréfléchissant balayé.
Le papier présente NEGATE, une méthode sans réentraînement qui traite la négation linguistique dans les modèles de diffusion vidéo comme une contrainte de faisabilité structurée, permettant d'assurer la conformité aux négations tout en préservant la fidélité visuelle grâce à une projection géométrique des mises à jour sémantiques.
Le papier présente SurgFormer, un transformateur multirésolution à portes conçu pour simuler en temps réel la déformation des tissus mous et les résections chirurgicales sur des maillages volumétriques grâce à un apprentissage supervisé par XFEM.
Cette étude démontre que la réduction sélective des redondances dans les données multisources et multimodales des véhicules autonomes améliore les performances de détection d'objets, soulignant ainsi l'importance d'une approche centrée sur la qualité des données.
Le papier présente EgoReasoner, un cadre en deux étapes qui aligne les structures de raisonnement et les signaux de récompense sur les spécificités cognitives de différentes tâches de raisonnement 4D en vidéo egocentrique, permettant à un modèle de 3 milliards de paramètres d'atteindre des performances supérieures à celles de modèles plus grands sur le benchmark HD-EPIC.
Le papier présente Penguin-VL, une architecture de modèle vision-langage compacte qui remplace les encodeurs visuels pré-entraînés par contraste traditionnels par un encodeur initialisé à partir d'un grand modèle de langage textuel, démontrant ainsi qu'une meilleure représentation visuelle permet d'atteindre des performances supérieures à celles des modèles plus volumineux sur des tâches complexes tout en étant adaptée aux dispositifs à ressources limitées.
Le papier présente SUREON, un vaste ensemble de données et deux modèles de vision-langage qui exploitent les narrations pédagogiques issues de vidéos chirurgicales pour doter l'IA d'une capacité de raisonnement chirurgical, surpassant ainsi les modèles généraux existants sur des tâches de sécurité, de justification de décision et de prévision.
Le papier présente SCOPE, un cadre plug-and-play qui améliore la segmentation 3D few-shot incrémentale en enrichissant les prototypes de nouvelles classes avec des informations contextuelles issues des régions d'arrière-plan non étiquetées, atteignant ainsi des performances de pointe sur les jeux de données ScanNet et S3DIS tout en minimisant l'oubli catastrophique.
Le papier présente BEVLM, un cadre qui connecte les modèles de langage à grande échelle à des représentations de vue aérienne (BEV) enrichies par distillation sémantique, améliorant ainsi significativement le raisonnement spatial et les performances de conduite autonome en boucle fermée.
Le papier présente Omni-Diffusion, le premier modèle de langage multimodal universel entièrement basé sur un processus de diffusion discrète masquée, qui unifie la compréhension et la génération de texte, de parole et d'images en capturant directement la distribution conjointe de leurs tokens discrets.
Cette étude démontre que les performances apparentes inférieures des modèles de langage multimodaux en classification d'images sont principalement dues à des protocoles d'évaluation défectueux et à un bruit dans les données de référence, et non à une véritable déficience des modèles, dont la qualité s'améliore considérablement avec des annotations corrigées.