7713 articles
Cet article propose un cadre d'évaluation unifié et de nouvelles métriques pour évaluer conjointement la détection des données hors distribution et la prédiction des erreurs de classification, démontrant que l'utilisation de fonctions de double score améliore significativement la fiabilité des classificateurs par rapport aux approches traditionnelles.
Cet article présente une architecture de suivi d'objets modulaire et asynchrone (MATA) intégrant des transformateurs et un filtre de Kalman étendu pour les drones, accompagnée d'un nouveau protocole d'évaluation et d'une métrique (NT2F) validés sur des plateformes embarquées pour améliorer la robustesse et l'efficacité en temps réel.
Cet article présente FGAesthetics, une nouvelle base de données fine-grainée pour l'évaluation esthétique des images, ainsi que le cadre FGAesQ qui utilise des comparaisons relatives et des techniques d'alignement textuel pour apprendre des scores discriminatifs capables de distinguer des variations esthétiques subtiles tout en maintenant des performances compétitives sur des évaluations grossières.
Cet article propose une méthode d'injection de n-grammes (NGI) dans les décodeurs de Transformers pour adapter dynamiquement les modèles de reconnaissance de texte manuscrit à des distributions linguistiques cibles lors de l'inférence, réduisant ainsi significativement l'écart de performance sans nécessiter de réentraînement sur des paires image-texte.
Le papier présente DISC, une méthode de cartographie sémantique open-set à grande échelle qui surpasse les approches actuelles en éliminant l'extraction de caractéristiques par recadrage grâce à un mécanisme d'extraction dense et pondéré par la distance, permettant une cartographie sémantique précise et en temps réel directement sur GPU.
Ce papier présente CMDR-IAD, un cadre d'apprentissage non supervisé léger et flexible qui améliore la détection d'anomalies industrielles en combinant une cartographie bidirectionnelle 2D-3D et une reconstruction à double branche pour intégrer de manière robuste les données d'apparence et de géométrie, atteignant ainsi des performances de pointe sur les benchmarks MVTec 3D-AD et des ensembles de données industriels réels.
Cette étude démontre qu'un réseau de neurones convolutionnel de type DenseNet121 permet de détecter avec une grande précision les artefacts d'intensité hyper- et hypointense sur des images de résonance magnétique mammaire pondérées en diffusion à haut b-value, offrant ainsi une solution prometteuse pour l'évaluation de la qualité des images par tranches.
Cet article introduit la prédiction causale spatiale (SCP) et le benchmark SCP-Bench pour évaluer la capacité des modèles à inférer des états spatiaux non observés, révélant ainsi d'importantes lacunes par rapport aux performances humaines et proposant des stratégies pour améliorer l'intelligence causale spatiale.
Ce papier présente RVN-Bench, un nouveau benchmark conçu pour évaluer la navigation visuelle réactive et sans collision d'agents mobiles dans des environnements intérieurs complexes et non vus, en s'appuyant sur le simulateur Habitat 2.0 et des scènes réalistes HM3D.
Cet article propose une méthode de synthèse de données d'entraînement et un réseau neuronal novateur pour améliorer la robustesse et la généralisation de l'estimation d'homographie multimodale face à des modalités non vues.
Ce papier présente le Structural Action Transformer (SAT), une nouvelle politique de manipulation dextre 3D qui surpasse les méthodes existantes en reformulant les actions comme des séquences structurelles de trajectoires articulaires plutôt que temporelles, permettant ainsi un transfert de compétences efficace entre différents robots grâce à un codebook articulaire et un apprentissage par flux continu sur des nuages de points 3D.
Ce papier présente ProFound, un modèle de fondation spécialisé en vision pour l'IRM multiparamétrique de la prostate, pré-entraîné sur un vaste ensemble de données multi-institutionnelles et démontrant des performances supérieures ou compétitives par rapport aux modèles spécialisés sur onze tâches cliniques distinctes.
Le papier présente BLOCK, un pipeline open-source en deux étapes qui génère des skins Minecraft parfaits à partir de concepts de personnages en utilisant un modèle multimodal pour créer un aperçu 3D et un modèle FLUX.2 affiné via une méthode EvolveLoRA pour convertir cet aperçu en atlas de skin.
Ce papier présente UniRain, un cadre unifié de dérainage d'images qui améliore la généralisation grâce à une distillation de données basée sur la génération augmentée par récupération (RAG) et une stratégie d'optimisation repondérée multi-objectifs intégrée à une architecture de mélange d'experts asymétrique, permettant ainsi de restaurer efficacement des images dégradées par la pluie et les gouttes dans diverses conditions diurnes et nocturnes.
Cet article présente une méthode d'apprentissage auto-supervisé innovante qui distille des modèles visuels de fondation pour surmonter les défis de l'annotation et améliorer la représentation dense des flux d'événements visuels grâce à une perte d'alignement structurel.
Le papier présente Dual-Solver, un solveur d'équations différentielles généralisé pour les modèles de diffusion qui, grâce à des paramètres appris via une classification, optimise l'interpolation des types de prédiction et le domaine d'intégration pour améliorer la qualité des images générées avec un nombre réduit d'évaluations de fonctions.
Ce rapport technique présente Phi-4-reasoning-vision-15B, un modèle multimodal de raisonnement compact et open-weight qui démontre que des choix architecturaux rigoureux, une curation de données systématique et un encodage haute résolution permettent d'obtenir des performances compétitives avec moins de ressources de calcul.
Le papier présente GeoSeg, un cadre de segmentation en télédétection sans entraînement ni supervision qui surpasse les méthodes existantes en couplant le raisonnement des MLLM à des mécanismes de raffinement de coordonnées et de prompting pour surmonter les défis spécifiques au domaine.
Ce papier présente RIVER, un nouveau benchmark conçu pour évaluer et améliorer les capacités des modèles de langage multimodaux à comprendre et interagir en temps réel avec des vidéos, en introduisant des tâches de mémoire rétrospective, de perception en direct et d'anticipation proactive.
Cette étude propose un cadre diagnostique basé sur la paréidolie faciale pour révéler comment les choix de représentation, plutôt que les seuils de score, déterminent si les modèles de vision interprètent les ambiguïtés visuelles par une suractivation sémantique (comme les VLM), une abstention par incertitude (comme ViT) ou une suppression conservatrice (comme les détecteurs).