7811 articles
Cette étude compare trois architectures génératives pour la création d'IRM cardiaques synthétiques et démontre que les modèles de diffusion, en particulier les DDPM, offrent le meilleur équilibre entre fidélité, utilité pour la segmentation et protection de la vie privée dans des conditions de données limitées.
Ce papier présente HOSO-Adapter, une méthode simple et sans validation pour l'adaptation CLIP en few-shot qui apprend automatiquement le ratio de mélange via un ensemble de rétention à un seul exemple, surpassant ainsi les approches existantes sur plusieurs jeux de données.
Cette étude démontre que l'intégration d'images synthétiques générées par DreamBooth et Stable Diffusion améliore la précision et la généralisation des modèles d'attribution d'auteur de tableaux, en surmontant le défi du manque de données réelles.
Cette étude propose une méthode efficace en données utilisant un seul exemple par classe et un modèle de langage pour prédire avec une grande précision la capacité des modèles fondationnels vision-langage à généraliser vers des domaines sous-représentés, offrant ainsi un outil peu coûteux pour évaluer les besoins en annotation avant l'entraînement.
Le papier présente RANGER, un cadre innovant de génération de rapports de pathologie qui combine un mélange d'experts à portes clairsemées pour une spécialisation dynamique et un module de réordonnancement adaptatif pour affiner la récupération de connaissances, démontrant ainsi des performances supérieures sur le jeu de données PathText-BRCA.
Le papier présente FocusGraph, un cadre innovant pour la sélection de trames clés dans les vidéos longues en première personne, qui combine un sélecteur basé sur des légendes graphiques et une méthode d'inférence sans entraînement pour améliorer la précision des réponses tout en réduisant le temps de calcul.
Le papier présente Helios, un modèle de génération vidéo autoregressif de 14 milliards de paramètres capable de produire des vidéos à l'échelle de la minute en temps réel sur une seule carte graphique H100, tout en éliminant le dérive temporelle et en réduisant considérablement les coûts computationnels grâce à des stratégies d'entraînement innovantes et des optimisations d'infrastructure.
Le papier présente TaxonRL, une approche d'apprentissage par renforcement utilisant des récompenses intermédiaires pour décomposer le raisonnement visuel en prédictions taxonomiques hiérarchiques, permettant ainsi d'atteindre une précision supérieure à celle des humains sur la tâche de discrimination fine d'espèces tout en garantissant l'interprétabilité des décisions.
Le papier présente ZipMap, un modèle feed-forward étatique qui réalise une reconstruction 3D bidirectionnelle en temps linéaire grâce à un entraînement au moment du test, surpassant ainsi l'efficacité des méthodes quadratiques actuelles tout en préservant, voire en améliorant, la qualité de reconstruction.
Le papier présente SimpliHuMoN, un modèle transformer simple et efficace capable de prédire simultanément les trajectoires et les poses humaines avec des performances de pointe sur plusieurs benchmarks, sans nécessiter de modifications spécifiques à chaque tâche.
Cet article propose les « Thought Flow Nets », une méthode inspirée de la dialectique hégélienne permettant aux modèles d'affiner leurs réponses par des itérations d'auto-correction, ce qui améliore non seulement leurs performances mais aussi la perception et les résultats des utilisateurs humains.
Cet article présente VQA-MHUG, un nouveau jeu de données de regards humains sur les images et les questions, et démontre pour la première fois que la corrélation entre l'attention textuelle des modèles de VQA et celle des humains est un prédicteur significatif de leurs performances, soulignant ainsi le besoin d'améliorer les mécanismes d'attention textuelle dans les architectures multimodales.
Ce papier présente MULAN, une méthode novatrice qui intègre l'attention humaine multimodale (image et texte) dans un modèle de réponse aux questions visuelles (VQA) basé sur les transformers, permettant d'atteindre des performances de pointe sur le jeu de données VQAv2 avec environ 80 % de paramètres en moins que les travaux antérieurs.
Cette étude démontre que les modèles de fondation visuels, en particulier BiomedCLIP, peuvent servir d'extracteurs de caractéristiques polyvalents et performants pour la recherche d'images médicales par le contenu en radiologie, surpassant les systèmes spécialisés sans nécessiter d'entraînement supplémentaire sur un vaste ensemble de données de 1,6 million d'images.
Cet article présente Implicit-Zoo, un jeu de données à grande échelle de fonctions implicites neuronales pour images 2D et scènes 3D, conçu pour surmonter les limitations de ressources et de données, et qui démontre des améliorations significatives dans des tâches telles que la classification d'images, la segmentation sémantique et la régression de pose 3D.
L'article présente Waffle, une nouvelle stratégie d'affinement de modèles multimodaux qui améliore la génération de code HTML à partir de designs d'interface utilisateur en utilisant un mécanisme d'attention conscient de la structure et un apprentissage contrastif, surpassant ainsi les méthodes actuelles sur les benchmarks WebSight-Test et Design2Code.
Le papier présente RealOSR, un cadre de super-résolution d'images omnidirectionnelles basé sur la diffusion qui utilise un module de guidage latent appelé LaGAR pour surmonter les limitations des dégradations réelles et offrir une accélération d'inférence de plus de 200 fois par rapport aux méthodes existantes.
Le papier présente Slot-BERT, un modèle bidirectionnel auto-supervisé conçu pour découvrir des objets dans les vidéos chirurgicales longues en assurant une cohérence temporelle robuste et une désentanglement efficace des représentations, surpassant ainsi les méthodes existantes tout en permettant une adaptation zéro-shot à divers domaines chirurgicaux.
Cet article présente le premier cadre capable d'apprendre des représentations agnostiques de l'architecture pour des NeRFs diversifiés, y compris ceux non vus lors de l'entraînement, en utilisant un réseau méta-graphe et un objectif contrastif pour surpasser les méthodes existantes limitées à des architectures uniques.
Cet article présente une méthode d'apprentissage non supervisé basée sur la cohérence cyclique et l'optimisation bayésienne pour la correspondance de graphes multiples, permettant d'atteindre la précision des approches supervisées dans l'annotation sémantique des cellules de *C. elegans* et de construire le premier atlas cellulaire non supervisé de cet organisme.