1401 articles
Ce papier propose SPAN, une nouvelle méthode d'alignement spatial et de projection qui améliore la détection d'objets 3D monoculaire en imposant des contraintes géométriques globales et une cohérence entre les boîtes 3D et 2D, tout en utilisant une stratégie d'apprentissage hiérarchique pour assurer la stabilité de l'entraînement.
Ce papier présente MediRound, un modèle de base et un nouveau jeu de données MR-MedSeg conçus pour la tâche de segmentation médicale par raisonnement multi-tours, permettant une interaction éducative progressive avec un mécanisme de correction pour limiter la propagation des erreurs.
Cet article propose le module Adaptive Diversity Cache (ADC), une méthode sans entraînement et plug-and-play qui atténue le biais à longue traîne dans la détection d'interactions humain-objet en accumulant des représentations de caractéristiques diversifiées et en allouant dynamiquement la capacité des caches pour améliorer la détection des catégories rares.
Le papier propose V-Attack, une nouvelle méthode d'attaque adversariale pour les grands modèles vision-langage qui cible les caractéristiques de valeur (V) désengagées plutôt que les patchs entremêlés, permettant ainsi un contrôle sémantique local précis et une amélioration significative du taux de réussite des attaques.
Ce papier présente UPA-RFAS, un cadre unifié qui génère des patches adversariaux universels et transférables capables de compromettre divers modèles Vision-Language-Action (VLA) dans des scénarios boîte noire et des transitions simulation-réalité en exploitant des mécanismes spécifiques aux caractéristiques, à l'attention et à la sémantique.
Le papier présente AFRO, un cadre d'apprentissage auto-supervisé qui génère des représentations 3D dynamiques pour la robotique en modélisant les transitions d'état via un processus de diffusion, éliminant ainsi le besoin de reconstruction géométrique explicite et améliorant significativement les taux de réussite dans des tâches de manipulation réelles et simulées.
Cet article présente le premier cadre formel pour les modèles de monde audiovisuels (AVWM), introduisant le jeu de données AVW-4k et le modèle AV-CDiT basé sur la diffusion pour simuler de manière synchronisée les dynamiques visuelles et sonores, améliorant ainsi significativement la navigation des agents.
Ce papier propose AVGGT, une méthode d'accélération sans réentraînement pour les modèles VGGT et qui, en s'appuyant sur une analyse des rôles de l'attention globale, remplace les premières couches par une attention par image et subsample les suivantes, permettant ainsi des gains de vitesse allant jusqu'à 10 fois sur des séquences longues tout en préservant la précision.
Ce papier présente LiM-YOLO, un détecteur optimisé pour la détection de navires dans les images satellitaires qui améliore la précision et l'efficacité en déplaçant la pyramide de caractéristiques vers des niveaux plus fins (P2-P4) et en intégrant une normalisation par groupes pour surmonter les défis liés aux petites cibles et aux contraintes de mémoire.
Le papier présente ADHint, une méthode d'apprentissage par renforcement qui intègre dynamiquement des indices adaptatifs pondérés par la difficulté des échantillons et des rollouts pour améliorer l'efficacité de l'échantillonnage, stabiliser l'apprentissage et renforcer les capacités de raisonnement et de généralisation des modèles.
Ce papier propose la Directional Textual Inversion (DTI), une méthode qui améliore la fidélité des prompts et permet des interpolations sémantiques fluides en optimisant uniquement la direction des embeddings sur une hypersphère pour éviter l'inflation de norme qui nuit aux modèles de génération d'images personnalisés.
Ce papier propose D²-Align, un cadre novateur qui atténue l'effondrement du mode de préférence dans l'apprentissage par renforcement des modèles de diffusion en corrigeant directionnellement le signal de récompense pour préserver la diversité générative tout en améliorant l'alignement avec les préférences humaines.
Cet article propose SeLop, une méthode d'intervention dans un sous-espace orthogonal de rang faible qui, en éliminant les biais de corrélation fallacieux du modèle CLIP, améliore considérablement la généralisation et la robustesse de la détection de falsifications faciales avec un nombre minimal de paramètres.
Cet article propose une méthode de détection des images générées par l'IA qui exploite les composants architecturaux finaux communs aux générateurs pour « contaminer » les images réelles et entraîner un classificateur capable de généraliser avec une grande précision à des générateurs jamais vus.
L'article présente CLEAR-Mamba, un cadre amélioré basé sur MedMamba intégrant une couche d'adaptation hyper-réseau (HaC) et un schéma de prédiction fiable (RaP) pour surmonter les limites de généralisation et de confiance dans la classification des angiographies oculaires multi-séquences FFA et ICGA, démontrant ainsi des performances supérieures sur un nouveau jeu de données à grande échelle.
Ce papier présente RegionReasoner, un cadre d'apprentissage par renforcement qui améliore le raisonnement visuel itératif en imposant un ancrage explicite dans des régions via des boîtes englobantes et une cohérence sémantique globale-locale, validé par un nouveau benchmark nommé RegionDial-Bench.
Ce papier présente WebAccessVL, un modèle vision-langage capable de corriger automatiquement les violations d'accessibilité WCAG2 dans le code HTML des sites web tout en préservant leur design original, grâce à une synthèse de programme conditionnée par l'image et une stratégie de raffinement itératif intégrant un détecteur de violations.
Ce papier présente la Correction en Temps d'Exécution (TTC), une méthode sans entraînement qui utilise la première image comme ancre stable pour corriger les états intermédiaires et permettre la génération de vidéos longues de haute qualité avec des modèles autorégressifs distillés, surmontant ainsi les limitations des méthodes d'optimisation existantes.
Ce papier présente RoSE, une nouvelle méthode qui reformule l'estimation de normales monoculaire comme une estimation de séquences d'ombrages générées par des modèles image-vidéo pour surmonter les problèmes d'alignement 3D et atteindre des performances de pointe sur des objets réels.
Cet article propose un cadre d'apprentissage continu pour les réseaux de neurones à impulsions (SNN) en vision neuromorphique, qui intègre une gestion adaptative du budget de spikes pour optimiser simultanément la précision et l'efficacité énergétique tout en atténuant l'oubli catastrophique sur des données événementielles et basées sur des images.