6983 articles
Le papier présente TABE, une nouvelle méthode de segmentation vidéo amodale en zéro-shot qui utilise un masque de requête unique et un modèle de diffusion vidéo préentraîné affiné à l'inférence pour reconstruire les objets même lorsqu'ils sont complètement occlus.
Ce papier propose un cadre d'élagage structurel agnostique au modèle qui apprend un masque différentiable pour réduire jusqu'à 20 % des paramètres des modèles de diffusion sans réentraînement, grâce à une nouvelle fonction objectif end-to-end et une technique de contrôle de gradient par étapes temporelles pour optimiser l'efficacité mémoire.
Cet article propose le cadre d'adaptation FGA, qui améliore les modèles vision-langage en exploitant la platitude acquise lors de l'entraînement pour guider l'adaptation à la test sans nécessiter de mises à jour coûteuses de paramètres.
Cet article propose un cadre de manipulation 3D dynamique qui intègre la modélisation du monde en 3D et des tâches d'apprentissage auto-supervisé pour doter les politiques de manipulation d'une « prévoyance 3D », améliorant ainsi considérablement leurs performances dans des tâches impliquant des mouvements en profondeur sans compromettre la vitesse d'inférence.
Le papier présente MedFuncta, un cadre unifié permettant l'entraînement à grande échelle de champs neuronaux sur des données médicales via une représentation latente partagée, des améliorations théoriques des activations SIREN et une stratégie d'apprentissage méta efficace, tout en libérant le code et le premier jeu de données à grande échelle dédié, MedNF.
L'article présente RapidPoseTriangulation, un algorithme innovant capable d'estimer en une milliseconde la pose corporelle complète de multiples personnes à partir de plusieurs vues, tout en assurant une forte généralisation et en rendant le code source publiquement accessible.
Ce papier présente Noise2Ghost, une nouvelle méthode d'imagerie fantôme auto-supervisée basée sur l'apprentissage profond qui permet une reconstruction de haute qualité avec réduction du bruit sans nécessiter de données de référence propres, rendant ainsi possible l'imagerie à faible luminosité pour des applications sensibles comme l'imagerie par fluorescence X in vivo.
Ce papier présente LMPOcc, un cadre plug-and-play qui améliore la prédiction d'occupation 3D locale en intégrant des priors d'occupation globaux à long terme tout en mettant à jour continuellement des cartes mondiales évolutives pour une compréhension plus robuste et complète des environnements extérieurs.
Le papier présente PhysLLM, un cadre d'optimisation collaborative qui intègre des modèles de langage à grande échelle avec des composants spécifiques à la photopléthysmographie à distance pour surmonter les défis de l'éclairage et du mouvement grâce à des stratégies d'alignement sémantique et de rééquilibrage adaptatif, atteignant ainsi des performances de pointe sur plusieurs jeux de données.
Le papier présente ReactDance, un cadre de diffusion innovant utilisant une quantification scalaire hiérarchique et une stratégie d'échantillonnage par blocs pour générer des danses réactives haute fidélité et cohérentes sur de longues séquences.
Le papier présente RESAR-BEV, une approche d'apprentissage autoregressif résiduel progressif et explicable pour la fusion caméra-radar en segmentation BEV, qui atteint des performances de pointe (54,0 % mIoU) tout en maintenant une capacité temps réel sur le jeu de données nuScenes.
Ce papier présente DHECA-SuperGaze, une méthode d'estimation du regard en conditions réelles qui améliore la précision grâce à la super-résolution, à un mécanisme d'attention croisée bidirectionnelle entre la tête et les yeux, et à la correction d'erreurs d'annotation dans le jeu de données Gaze360.
Le papier propose OSPO, une méthode d'optimisation des préférences auto-améliorante centrée sur les objets qui, sans dépendre de données ou de modèles externes, améliore significativement l'alignement texte-image et réduit les hallucinations d'objets dans la génération d'images.
Ce papier propose EDITOR, une méthode efficace et interprétable d'inversion de prompts pour les modèles de diffusion texte-à-image qui, en combinant l'initialisation par un modèle de légendage, l'affinement dans l'espace latent et la conversion en texte, surpasse les approches existantes en termes de similarité d'image, d'alignement textuel et de généralisabilité pour diverses applications créatives.
HypeVPR est un cadre d'encodage hiérarchique en espace hyperbolique conçu pour la reconnaissance visuelle de lieux entre images perspectives et équirectangulaires, exploitant la structure hiérarchique de l'espace hyperbolique pour améliorer la précision tout en réduisant les coûts de stockage et d'accélération de la recherche.
Le document présente FLAIR-HUB, le plus vaste jeu de données multimodales annotées à très haute résolution (20 cm) développé par l'IGN pour la cartographie des sols et des cultures en France, qui combine six sources de données hétérogènes et démontre l'efficacité de la fusion multimodale pour améliorer la précision des modèles d'apprentissage profond.
Ce papier présente HSG-12M, un vaste ensemble de données de 12 millions de multigraphes spatiaux dérivés des spectres énergétiques de cristaux non hermitiens, généré par le pipeline automatisé Poly2Graph pour combler le manque de benchmarks à grande échelle en physique de la matière condensée et en apprentissage géométrique.
L'article présente InterActHuman, un cadre novateur permettant l'animation humaine multi-concepts avec des interactions riches en générant des vidéos alignées spatialement grâce à une liaison conditionnelle spécifique aux régions et à l'injection de conditions audio locales.
Le papier présente AutoV, un cadre léger qui améliore les modèles vision-langage en remplaçant l'ingénierie manuelle des prompts visuels par une récupération adaptative guidée par un classement basé sur la perte d'un modèle pré-entraîné, éliminant ainsi le besoin d'annotations manuelles tout en augmentant significativement les performances sur diverses tâches.
Cet article présente TreeBench, un benchmark diagnostique évaluant le raisonnement visuel ancré par des preuves traçables, et propose TreeVGR, une méthode d'apprentissage par renforcement qui améliore significativement les performances des modèles en localisation et en raisonnement explicite.