8789 articles
Ce papier présente Frame Guidance, une méthode d'entraînement gratuit qui permet un contrôle précis au niveau des images dans la génération de vidéos par diffusion en utilisant des signaux tels que des images clés ou des croquis, tout en optimisant l'utilisation de la mémoire et en assurant une cohérence globale sans nécessiter de fine-tuning.
Le papier présente Perception-R1, une méthode qui améliore les capacités de raisonnement multimodal des grands modèles de langage en introduisant une récompense de perception visuelle basée sur la cohérence avec des annotations textuelles, comblant ainsi une lacune des approches RLVR existantes.
Le papier présente StreamSplat, un cadre entièrement feed-forward capable de reconstruire instantanément des scènes 3D dynamiques à partir de flux vidéo non calibrés en temps réel grâce à trois innovations techniques clés, offrant ainsi une accélération de 1200 fois par rapport aux méthodes d'optimisation traditionnelles.
Ce papier présente ECAD, une méthode basée sur un algorithme génétique qui optimise dynamiquement les stratégies de cache pour accélérer l'inférence des modèles de diffusion sans modifier leurs paramètres, tout en garantissant une généralisation efficace à différentes architectures et résolutions.
Cette étude démontre que l'utilisation d'images générées par des modèles texte-vers-image permet de débloquer des priors visuels latents pour améliorer le raisonnement centré sur le texte, à condition que l'alignement sémantique et la fidélité de génération soient optimaux.
Le papier présente SceneStreamer, un cadre unifié de génération autoregressive qui modélise les scénarios de trafic continus comme une séquence de tokens pour permettre une simulation dynamique et à long horizon, essentielle pour entraîner et évaluer des systèmes de conduite autonome plus robustes.
Cet article propose un nouveau planificateur de guidance par recuit qui ajuste dynamiquement l'échelle de guidance dans les modèles de diffusion pour améliorer la qualité des images et leur alignement avec le texte, sans coût supplémentaire en mémoire ni en activations.
Cet article présente MC-INR, un cadre novateur basé sur l'apprentissage par méta-entraînement et le regroupement dynamique pour encoder efficacement des données de simulation scientifique multivariées sur des grilles non structurées, surmontant ainsi les limitations des représentations neuronales implicites existantes.
Le papier présente CoBELa, un cadre basé sur l'énergie sans décodeur qui améliore la transparence de la génération en conditionnant entièrement la synthèse via des fonctions d'énergie par concept, permettant ainsi des interventions compositionnelles fiables et une interprétation post-hoc sans nécessiter de réentraînement du générateur.
Le papier présente InstructVLA, un modèle vision-langage-action qui, grâce à un nouveau paradigme d'ajustement par instructions (VLA-IT) et à une adaptation par mélange d'experts, préserve les capacités de raisonnement des grands modèles tout en atteignant des performances de manipulation de pointe et une forte généralisation sur des tâches complexes.
Ce papier présente DMTrack, une nouvelle architecture d'adaptateurs duaux pour le suivi multimodal spatio-temporel qui, grâce à des modules d'adaptation modale innovants, atteint des performances de pointe avec seulement 0,93 million de paramètres entraînables.
Cet article propose un cadre de super-résolution 3D en zéro-shot pour la tomodensitométrie (CT) qui intègre des priors de projection 2D générés par diffusion et une reconstruction volumique basée sur des gaussiennes signées avec un mélange d'opacité négatif, permettant de restaurer des détails fins sans données appariées.
Ce papier présente MMTok, une méthode qui améliore l'efficacité de l'inférence des modèles vision-langage en sélectionnant des jetons visuels informatifs grâce à un critère de couverture maximale exploitant simultanément les informations visuelles et textuelles.
Ce papier présente ConEQsA, un système agentique novateur et un benchmark associé (CAEQs) conçus pour résoudre le problème de la réponse simultanée et asynchrone à plusieurs questions dans des environnements 3D en optimisant l'exploration et la planification selon l'urgence des requêtes.
Cette étude évalue systématiquement les capacités des modèles vision-langage à comprendre la topologie routière pour la conduite autonome, révélant que malgré des progrès certains, ils peinent encore à maîtriser le raisonnement spatial fondamental, en particulier les modèles open-source, ce qui souligne un goulot d'étranglement majeur pour leur déploiement sécurisé.
Le papier présente SiNGER, un cadre de distillation de connaissances innovant qui améliore les modèles Vision Transformers en supprimant les artefacts à forte norme tout en préservant les signaux informatifs grâce à une perturbation guidée par l'espace nul, permettant ainsi d'obtenir des performances de pointe et des représentations plus claires.
Ce papier présente Earth-Agent, un cadre agentique pionnier unifiant les données d'observation de la Terre RGB et spectrales au sein d'un écosystème d'outils MCP pour permettre un raisonnement spatio-temporel quantitatif complexe, accompagné de Earth-Bench, une nouvelle norme d'évaluation destinée à valider ces capacités avancées.
Le papier présente PROFusion, une méthode de reconstruction dense en temps réel qui combine une régression de pose par apprentissage profond et une optimisation stochastique pour surmonter les limitations des systèmes SLAM actuels face aux mouvements de caméra instables, tout en garantissant une précision élevée.
L'article présente Proxy-GS, une méthode innovante qui utilise un système de proxy rapide pour introduire une conscience de l'occlusion dans le splatting gaussien 3D, permettant ainsi d'accélérer le rendu et d'améliorer la qualité visuelle en éliminant les redondances et en guidant la densification.
Ce papier présente EchoGen, un cadre pionnier de génération pilotée par sujet basé sur des modèles auto-régressifs visuels (VAR) qui, grâce à une stratégie d'injection à double voie, surpasse les méthodes de diffusion en termes de rapidité d'inférence tout en maintenant une fidélité et une qualité d'image exceptionnelles.