7808 articles
Ce papier présente RAGTrack, un cadre de suivi RGBT innovant qui intègre des descriptions textuelles générées par des modèles de langage multimodaux et utilise une génération augmentée par la récupération pour améliorer la robustesse du suivi d'objets face aux variations d'apparence et aux distractions de l'arrière-plan.
Le papier présente CoRe-BT, un benchmark multimodal intégrant l'imagerie par résonance magnétique, l'histopathologie et les rapports textuels pour améliorer le typage robuste des tumeurs cérébrales dans des scénarios cliniques réalistes où certaines modalités peuvent être manquantes.
Les auteurs proposent un cadre rigoureux étendant les opérateurs neuronaux aux fonctions hors distribution en exploitant les espaces de Hilbert à noyau reproduisant pour garantir la précision des valeurs et des dérivées, méthode validée par la résolution d'équations aux dérivées partielles elliptiques sur des variétés.
Cette étude révèle que l'injection de prompts par image, une attaque en boîte noire intégrant des instructions adverses dans des images naturelles, peut manipuler avec succès jusqu'à 64 % des modèles de langage multimodaux tout en restant indétectable pour les humains.
Le papier présente InfinityStory, un cadre novateur qui permet la génération de vidéos narratives de longue durée avec une cohérence visuelle mondiale et des transitions fluides entre les plans pour plusieurs sujets, surmontant ainsi les limitations actuelles en matière de stabilité de l'arrière-plan et de cohérence des personnages.
Le papier propose SCFlowFR, une méthode de restauration faciale en une seule étape qui améliore les modèles de flux par couplage dépendant des données et des contraintes de raccourci pour surmonter les limitations des approches existantes et atteindre des performances de pointe avec une vitesse d'inférence élevée.
Cette thèse présente un cadre d'imagerie sur site intégrant des algorithmes de vision par ordinateur pour la caractérisation morphologique automatisée des agrégats de construction, tant individuels que sous forme de tas, en combinant reconstruction 3D, segmentation d'instances et complétion de formes pour surmonter les limites des méthodes actuelles.
Ce papier présente InEdit-Bench, le premier benchmark conçu pour évaluer la capacité des modèles d'édition d'images à raisonner sur les voies logiques intermédiaires dans des scénarios complexes, révélant ainsi des lacunes majeures chez les modèles actuels et orientant la recherche vers des systèmes multimodaux plus intelligents et conscients du raisonnement.
Ce papier présente MAP, une méthode innovante de protection de la vie privée qui utilise des modifications émotionnelles pour masquer les identités faciales tout en garantissant une haute fidélité visuelle et une robustesse supérieure face aux systèmes de reconnaissance faciale, y compris dans des scénarios démographiques et photographiques variés.
L'article présente EvoPrune, une méthode de pruning de tokens visuels appliquée dès l'étape de l'encodage dans les modèles multimodaux de grande taille, permettant d'accélérer l'inférence de 2 fois avec moins de 1 % de perte de performance sur des tâches complexes comme l'analyse vidéo.
Cet article propose un modèle de segmentation de polypes qui intègre les représentations RVB et niveaux de gris via une interaction fréquentielle complémentaire, exploitant la supériorité des niveaux de gris pour les contours afin d'améliorer la précision de la délimitation des polypes dans le cadre du dépistage du cancer colorectal.
Ce papier propose l'ERK-Guid, une nouvelle méthode d'échantillonnage pour les modèles de diffusion qui utilise l'erreur de troncature locale détectée dans les régions raides comme signal de guidage pour améliorer la stabilité et la qualité des échantillons générés.
Le papier présente MPFlow, un cadre de reconstruction IRM sans échantillonnage qui exploite des acquisitions multimodales complémentaires via un pré-entraînement auto-supervisé et un guidage par flux rectifié pour éliminer les hallucinations anatomiques tout en améliorant l'efficacité du processus.
Cet article identifie et quantifie le biais « Order-to-Space » (OTS), un phénomène où l'ordre des entités dans le texte influence indûment la disposition spatiale dans les images générées, et propose des stratégies d'intervention pour atténuer ce problème tout en préservant la qualité de génération.
Ce papier présente une architecture novatrice pour la segmentation de surfaces en verre, combinant des caractéristiques visuelles générales extraites d'un modèle DINOv3 gelé et des caractéristiques spécifiques apprises via un modèle Swin, afin d'atteindre des performances de pointe sur plusieurs jeux de données tout en conservant une vitesse d'inférence compétitive.
Cet article propose QD-PCQA, un cadre d'adaptation de domaine sans référence qui améliore l'évaluation de la qualité des nuages de points en transférant des connaissances d'images grâce à une stratégie d'alignement conditionnel pondéré par le rang et à un enrichissement de caractéristiques guidé par la qualité.
Le papier présente PROSPECT, un agent de navigation vision-langage en flux continu qui fusionne des représentations sémantiques et spatiales via CUT3R et SigLIP, tout en apprenant des prédictions latentes pour améliorer la robustesse et les performances à long terme.
Le papier présente DAGE, une architecture à double flux transformateur qui sépare la cohérence globale des détails fins pour estimer avec précision la géométrie et les poses de caméra à partir d'entrées vidéo multi-vues non calibrées, établissant ainsi de nouveaux résultats de pointe tout en maintenant un coût d'inférence pratique.
Ce papier présente WSI-INR, une nouvelle approche sans patchs basée sur les représentations neuronales implicites qui modélise les images de lames entières comme des fonctions continues pour améliorer la robustesse et la précision de la segmentation des lésions pathologiques à travers différentes résolutions.
Ce papier présente KFRA, un agent d'inférence fine-grainé augmenté par des connaissances qui, grâce à une boucle de raisonnement en trois étapes couplant récupération et ancrage spatial, surpasse les modèles existants en offrant un raisonnement interprétable et performant dans des scénarios visuels ouverts.