8803 articles
L'article présente UniDrive-WM, un modèle du monde unifié basé sur des modèles vision-langage qui intègre la compréhension de la scène, la planification de trajectoire et la génération d'images futures pour améliorer la sécurité et la précision de la conduite autonome.
Cette étude démontre que l'utilisation d'images visuelles en très basse résolution (8x8 pixels) comme alternative aux jetons discrets permet d'atteindre des performances comparables à l'approche traditionnelle pour la modélisation du langage chinois, tout en offrant un démarrage rapide significativement plus efficace.
Cette étude propose LGANet++, un cadre d'enregistrement d'images déformables non supervisé intégrant un mécanisme d'attention local-global et une décomposition d'image, qui surpasse les méthodes de l'état de l'art sur plusieurs scénarios cliniques en améliorant la précision, la robustesse et la généralisabilité.
Ce papier présente GraSP, une méthode simple et universelle pour la reconnaissance de graphes visuels via la prédiction de sous-graphes, capable de s'adapter à divers contextes sans modifications spécifiques à la tâche.
MLV-Edit est un cadre d'édition vidéo sans entraînement qui surmonte les défis de la cohérence temporelle et de l'efficacité computationnelle pour les vidéos de plusieurs minutes grâce à une stratégie de division et de conquête intégrant le mélange de vélocité et les puits d'attention.
Le papier présente VideoTemp-o3, un cadre unifié d'« agentic thinking-with-videos » qui harmonise l'ancrage temporel et la compréhension vidéo en surmontant les limites des méthodes actuelles grâce à une localisation dynamique, un pipeline d'entraînement optimisé et des données de haute qualité.
WristMIR est un cadre d'extraction de radiographies du poignet pédiatrique qui exploite des rapports radiologiques structurés et une localisation spécifique aux os pour améliorer la précision du diagnostic des fractures et l'aide à la décision clinique grâce à une recherche d'images guidée par les régions anatomiques.
Cette étude présente le Garbage Dataset (GD), un ensemble de données public de 12 259 images couvrant 10 catégories de déchets, qui a été rigoureusement validé et utilisé pour évaluer des modèles d'apprentissage profond, démontrant que l'EfficientNetV2S atteint les meilleures performances (95,13 % de précision) tout en mettant en lumière les défis liés au déséquilibre des classes et à la complexité de l'arrière-plan pour la ségrégation automatisée des déchets.
L'article présente EO-VAE, un autoencodeur variationnel multi-capteurs capable de tokenizer efficacement des combinaisons flexibles de canaux spectraux pour l'observation de la Terre, surpassant les approches existantes en fidélité de reconstruction.
Le papier présente MedXIAOHE, un modèle fondationnel médical vision-langage qui atteint des performances de pointe grâce à un cadre d'entraînement continu axé sur les entités et un apprentissage par renforcement pour le raisonnement, surpassant les systèmes multimodaux fermés tout en garantissant une génération de rapports fiables et ancrée dans des preuves.
L'article UniTAF propose un cadre modulaire unifiant la synthèse vocale et la génération faciale à partir de l'audio pour faciliter le transfert de caractéristiques internes et améliorer la cohérence entre la parole et les expressions faciales, en validant ainsi la faisabilité de cette approche d'unification plutôt qu'en se concentrant sur la qualité de génération.
CRAFT-LoRA est une méthode de personnalisation de la génération d'images qui améliore la fidélité du contenu et la cohérence stylistique grâce à un ajustement de rang contraint, une agrégation d'adaptateurs guidée par des invites et un schéma de guidance sans réentraînement, permettant ainsi un contrôle précis et une fusion stable des modules LoRA.
Ce papier présente CFE-Bench, un nouveau benchmark multimodal évaluant les capacités de raisonnement des grands modèles de langage sur plus de 20 domaines STEM à l'aide de problèmes d'examen universitaires authentiques, révélant que même les modèles les plus avancés peinent à maintenir des états intermédiaires cohérents dans des solutions multi-étapes malgré des performances correctes sur des sous-questions isolées.
Ce papier présente TraqPoint, un cadre d'apprentissage par renforcement novateur qui reformule la détection de points clés comme un problème de décision séquentielle pour optimiser directement la qualité des trajectoires sur des séquences d'images, surpassant ainsi les méthodes existantes dans des tâches de vision 3D complexes.
Ce papier propose CDS, un cadre unifié et sans entraînement pour l'édition d'images multi-concepts qui surpasse les méthodes existantes en préservant la fidélité des instances et en intégrant plusieurs concepts visuels directement dans le processus de diffusion sans nécessiter d'échantillons de référence.
Le papier présente Uni-Animator, un nouveau cadre basé sur les Diffusion Transformers qui unifie la colorisation de croquis d'images et de vidéos en surmontant les défis de transfert de couleur imprécis, de préservation des détails physiques et de cohérence temporelle grâce à des mécanismes innovants d'embodiment de patchs, de renforcement des détails physiques et d'encodage RoPE dynamique.
Cet article présente MedMAP, un cadre de pré-entraînement modale pour les modèles vision-langage qui améliore la détection d'anomalies multi-organes dans les IRM 3D grâce à une nouvelle base de données et une alignement spécifique aux modalités médicales.
Cet article présente APPO, un algorithme d'optimisation de politique guidé par l'attention qui améliore la perception fine des modèles de raisonnement vidéo en utilisant des récompenses denses au niveau des tokens, démontrant ainsi que l'optimisation de la perception est plus cruciale et rentable que l'augmentation de la capacité de raisonnement pure.
Cet article présente une approche innovante combinant le modèle de segmentation SAM2, les outils de génération de texte Florence2 et ChatGPT, ainsi qu'une ontologie spécialisée, pour segmenter et étiqueter automatiquement les traités de construction navale des XVIe et XVIIe siècles, afin de faciliter la curation et l'accessibilité de ces documents historiques précieux malgré le manque de données d'entraînement.
Cet article présente Lilium, une nouvelle méthode évolutive automatisée qui améliore la précision et la robustesse de la superposition crânio-faciale en modélisant explicitement la variabilité des tissus mous via une représentation conique 3D optimisée par un algorithme d'évolution différentielle.