7524 articles
Ce papier présente PhyGDPO, un cadre d'optimisation directe des préférences de groupe conscient de la physique, soutenu par un pipeline de construction de données augmentées (PhyAugPipe) et un jeu de données à grande échelle (PhyVidGen-135K), conçu pour générer des vidéos texte-à-vidéo qui respectent fidèlement les lois physiques.
MorphAny3D est un cadre de morphing 3D sans entraînement qui exploite les représentations latentes structurées (SLAT) via des mécanismes d'attention innovants pour générer des séquences de déformation cohérentes et temporellement lisses, même entre des catégories d'objets différentes.
Le papier présente EmboTeam, un cadre de planification pour des équipes de robots hétérogènes qui combine les capacités de raisonnement des grands modèles de langage avec la rigueur des planificateurs classiques et des arbres de comportement pour exécuter des tâches complexes, validé par une amélioration significative des taux de réussite sur le nouveau benchmark MACE-THOR.
Cette étude révèle que les modèles fondationnels actuels peinent à identifier les moments clés dans des vidéos de football, car ils dépendent trop d'une seule modalité et échouent à synthétiser efficacement les informations croisées, soulignant ainsi le besoin d'architectures modulaires et de procédures d'entraînement complémentaires.
Ce travail présente EGAgent, un cadre agentique innovant basé sur des graphes de scènes d'entités qui permet une compréhension vidéo longitudinale avancée et un raisonnement multi-modal sur des flux vidéo continus de plusieurs jours, surpassant les méthodes existantes sur des tâches complexes d'assistance personnelle.
Ce papier propose MiTA, une nouvelle méthode d'attention efficace qui unifie les approches existantes et améliore l'évolutivité des séquences longues en compressant les poids rapides via une stratégie de routage et de sélection des k meilleures activations.
Le papier présente DDP-WM, un modèle du monde innovant basé sur la prédiction de dynamiques désenchevêtrées qui améliore considérablement l'efficacité et les performances des robots autonomes en décomposant l'évolution de l'état latent en dynamiques primaires et mises à jour contextuelles, permettant ainsi un déploiement en temps réel avec une accélération d'inférence jusqu'à 9 fois par rapport aux modèles denses existants.
Le papier présente Rolling Sink, une méthode sans entraînement qui comble l'écart entre l'entraînement à horizon limité et le test à durée illimitée dans les modèles de diffusion vidéo autoregressifs, permettant ainsi de générer des vidéos ultra-longues (de 5 à 30 minutes) avec une fidélité visuelle et une cohérence temporelle supérieures.
Cet article propose un cadre d'apprentissage actif guidé par l'explicabilité qui sélectionne stratégiquement des échantillons médicaux en combinant l'incertitude de classification et l'inadéquation des cartes d'attention par rapport aux régions d'intérêt définies par les experts, améliorant ainsi à la fois la performance prédictive et l'interprétabilité clinique avec moins de données annotées.
Ce travail présente Pailitao-VL, un système de recherche industrielle multimodale en temps réel qui améliore la précision et l'efficacité grâce à une transition vers un paradigme d'encodage par reconnaissance d'ID absolu et à un reranker génératif comparatif, validé par des tests sur la plateforme e-commerce d'Alibaba.
Cet article présente DeltaGateNet, un cadre novateur qui améliore la reconnaissance de la fatigue au volant à partir de signaux EEG en modélisant explicitement les dynamiques temporelles bidirectionnelles via un module Delta bidirectionnel et un module de convolution temporelle à porte, surpassant ainsi les méthodes existantes sur plusieurs jeux de données publics.
Cet article présente EA-Swin, un transformateur Swin agnostique aux embeddings capable de détecter les vidéos générées par l'IA avec une précision exceptionnelle (97-99 %) et une forte généralisation, grâce à une architecture innovante et à un nouveau jeu de données de référence de 130 000 vidéos.
CityGuard est un cadre novateur utilisant des transformateurs sensibles à la topologie et des mécanismes de confidentialité différentielle pour permettre une recherche d'identité résiliente aux biais et conforme à la protection des données à travers des réseaux de caméras urbaines distribuées.
Le modèle CARE est une nouvelle fondation pour l'analyse d'images de lames entières qui, grâce à un pré-entraînement auto-supervisé et à un alignement multimodal avec des profils moléculaires, surmonte les limites des modèles existants en segmentant automatiquement les tissus en régions morphologiquement cohérentes pour atteindre des performances supérieures sur de multiples tâches de pathologie avec moins de données.
Cet article présente MasqLoRA, un cadre d'attaque systématique qui exploite la flexibilité des adaptateurs LoRA pour injecter des portes dérobées dans les modèles de génération d'images, permettant d'activer un comportement malveillant via un mot déclencheur tout en restant indétectable dans des conditions normales.
Le papier présente RobustVisRAG, un cadre de génération augmentée par récupération visuelle guidé par la causalité qui sépare les signaux de dégradation des sémantiques pour améliorer la robustesse face aux distortions visuelles, validé par de nouvelles performances sur le benchmark Distortion-VisRAG.
LFG est un cadre d'apprentissage sans étiquettes qui exploite des vidéos de conduite non posées pour entraîner un modèle prédictif guidé par des enseignants multimodaux, générant ainsi une représentation unifiée 4D qui surpasse les méthodes existantes pour la planification autonome.
Le papier présente Diffusion Probe, un cadre efficace et agnostique au modèle qui prédit la qualité finale d'images générées par diffusion à partir de cartes d'attention croisée précoces, permettant ainsi d'optimiser les flux de travail en évitant le calcul inutile sur des générations de faible potentiel.
Le papier présente DiffusionHarmonizer, un cadre d'amélioration générative en ligne qui transforme les rendus de scènes imparfaites issus de la reconstruction neuronale en sorties photoréalistes et temporellement cohérentes grâce à un amplificateur conditionné par le temps dérivé d'un modèle de diffusion préentraîné.
UFO-4D est un cadre unifié et feedforward capable de reconstruire une représentation 4D dense et explicite à partir de deux images non positionnées en estimant directement des Splats Gaussiens 3D dynamiques, ce qui permet une estimation conjointe et cohérente de la géométrie, du mouvement et de la pose caméra grâce à une synthèse d'images auto-supervisée.