8698 articles
Ce papier présente MASQuant, un cadre de quantisation post-entraînement innovant pour les modèles de langage multimodaux qui résout les problèmes de désalignement de lissage et d'invariance computationnelle intermodale grâce à un lissage spécifique à la modalité et à une compensation par blanchiment SVD, garantissant ainsi des performances stables et compétitives.
Cet article propose la Reconstruction Contrastive par Diffusion (DCR), une méthode qui intègre des signaux contrastifs dérivés des images reconstruites dans le processus de diffusion pour surmonter les limites des encodeurs visuels CLIP et équilibrer simultanément les capacités de discrimination et de perception des détails.
Le papier présente Meta-D, une architecture qui exploite les métadonnées catégorielles des scanners pour optimiser l'extraction de caractéristiques et améliorer la segmentation des tumeurs cérébrales, notamment en cas de modalités manquantes.
Cet article démontre qu'en comblant les écarts de domaine grâce à un nouveau jeu de données de haute qualité et à des augmentations réalistes, un modèle léger exploitant les signaux de polarisation peut surpasser les modèles de fondation RGB, même avec beaucoup moins de données d'entraînement et de paramètres.
Ce papier propose le cadre CAD (Class-specific Augmentation based Disentanglement), une méthode novatrice utilisant des régulations intra- et inter-classe pour atténuer l'entrelacement des instances et améliorer les performances de l'apprentissage par étiquettes partielles dépendantes des instances (ID-PLL).
Cet article propose SADCA, une méthode d'attaque par contraste dynamique et enrichie sémantiquement qui améliore significativement la transférabilité des exemples adversariaux sur les modèles vision-langage en perturbant progressivement l'alignement multimodal et en augmentant la diversité des attaques.
Ce papier propose MPCAttack, un cadre d'attaque collaborative multi-paradigme qui améliore la transférabilité des exemples adversariaux contre les modèles de langage multimodaux en optimisant conjointement les représentations sémantiques visuelles et textuelles via une stratégie d'optimisation collaborative adaptative.
GloSplat est un cadre d'optimisation conjointe pose-apparence pour la reconstruction 3D par Gaussian Splatting qui préserve les traces de caractéristiques SfM explicites comme ancres géométriques, permettant ainsi d'éviter la dérive de pose et de surpasser les méthodes existantes, qu'elles soient basées ou non sur COLMAP.
Cet article propose une méthode d'apprentissage automatique sans entraînement pour la prédiction de théorèmes multi-étapes, qui surmonte les limites de l'apprentissage contextuel classique en intégrant des graphes de précédence des théorèmes comme priors structuraux non paramétriques pour atteindre une précision de 89,29 % sur le benchmark FormalGeo7k.
Cet article présente une méthode monocular basée sur l'IA capable de reconstruire des métriques biomécaniques précises à partir de vidéos de diffusion télévisée pour le dépistage évolutif des risques de blessures chez les lanceurs de baseball, offrant une alternative viable aux systèmes de capture de mouvement coûteux.
Le papier présente SURE, un cadre de matching de caractéristiques semi-denses qui améliore la fiabilité des correspondances d'images en modélisant conjointement les incertitudes aléatoire et épistémique pour corriger les erreurs de confiance excessive dans des scénarios difficiles.
Ce papier propose un cadre novateur appelé Prompt-Driven Noise Generation (PNG) qui utilise l'apprentissage de représentations de bruit piloté par des invites pour synthétiser des images bruyantes réalistes en sRGB sans dépendre des métadonnées de la caméra, améliorant ainsi la généralisation et l'efficacité du débruitage dans des scénarios réels.
En analysant une base de données inédite de 119 561 lancers professionnels, cette étude démontre qu'il est possible de prédire avec 80,4 % de précision le type de lancer à partir de la cinématique corporelle 3D extraite de vidéos monoscopiques, en identifiant la mécanique du haut du corps comme le facteur prédictif dominant tout en établissant une limite empirique de séparabilité pour les variantes de prise.
Cet article propose un cadre novateur en deux étapes pour la génération automatique de rapports en tomodensitométrie, qui améliore les performances de l'état de l'art en apprenant des correspondances sémantiques structure-à-structure entre les images et les textes grâce à un contraste image-texte spécifique aux structures et à des mécanismes de réduction du bruit.
Le papier propose DeformTrace, un modèle d'espace d'états déformable enrichi de mécanismes de relais et de dynamiques adaptatives, qui surpasse les méthodes existantes pour la localisation temporelle précise des falsifications dans les vidéos et l'audio.
Cet article présente FedMEPD, un cadre d'apprentissage fédéré innovant qui utilise des encodeurs spécifiques aux modalités et un décodeur de fusion partiellement personnalisé pour surmonter l'hétérogénéité intermodale et répondre aux besoins de personnalisation dans la segmentation des tumeurs cérébrales multimodales.
Le papier propose FedAFD, un cadre d'apprentissage fédéré multimodal qui améliore les performances des clients et du serveur en utilisant une stratégie d'alignement adversarial bi-niveau et une distillation d'ensemble guidée par la similarité pour surmonter les hétérogénéités de données et de modèles tout en préservant la confidentialité.
Cet article propose une méthode simple et efficace pour améliorer la segmentation d'images avec les Vision Transformers en modulant l'auto-attention par un noyau gaussien apprenable afin de privilégier les détails spatiaux locaux sans compromettre les performances de classification.
Le papier présente FC-VFI, une méthode d'interpolation de frames vidéo qui utilise un modèle de diffusion pré-entraîné, une stratégie de modélisation temporelle et une correspondance sémantique pour générer des vidéos à haute fréquence d'images (jusqu'à 240 FPS) avec une fidélité visuelle et une cohérence temporelle supérieures.
Le papier propose AdaIAT, une méthode qui atténue les hallucinations des modèles vision-langage de grande taille en adaptivement augmentant l'attention vers le texte généré, réduisant ainsi significativement les erreurs tout en préservant la cohérence linguistique.