8844 articles
Cet article présente SFDE, un réseau d'apprentissage profond innovant qui améliore la géolocalisation cross-view en fusionnant des représentations complémentaires des domaines spatial et fréquentiel au sein d'une architecture à trois branches pour surmonter les asymétries géométriques et les incohérences de texture.
Cet article présente RSHBench, un nouveau protocole d'évaluation pour diagnostiquer les hallucinations dans les modèles multimodaux appliqués à la télédétection, ainsi que RADAR, une méthode d'inférence sans entraînement qui exploite l'attention intrinsèque pour améliorer la précision du raisonnement local et réduire ces hallucinations.
Ce papier propose HiLoRA, un cadre d'adaptation hiérarchique à faible rang qui améliore l'apprentissage fédéré personnalisé sur les Vision Transformers en intégrant des adaptateurs à trois niveaux et un mécanisme de clustering adaptatif pour capturer efficacement les structures latentes des clients.
Le papier présente UNICORN, un benchmark public et unifié conçu pour évaluer systématiquement les modèles de fondation médicaux à travers diverses modalités, tâches et régions anatomiques en utilisant un protocole standardisé de few-shot learning et une métrique agrégée appelée UNICORN Score.
L'article présente R3GW, une méthode novatrice qui reconstruit des scènes extérieures non contraintes en séparant le premier plan relightable du fond (ciel) pour permettre un rendu photoréaliste sous un éclairage arbitraire grâce à l'intégration du rendu basé sur la physique avec les Gaussiens 3D.
Le papier présente NOVA, un cadre d'édition vidéo sans données appariées qui combine une branche de contrôle sparse pour la sémantique et une branche de synthèse dense pour la fidélité temporelle, le tout entraîné via une stratégie de simulation de dégradation pour surmonter le manque de données appariées.
Cet article présente une nouvelle approche de reconnaissance textuelle structurée pour les éditions critiques du grec ancien, basée sur un corpus synthétique et un benchmark réel, démontrant que le modèle Qwen3VL-8B atteint des performances de pointe avec un taux d'erreur de caractères médian de 1,0 % sur des scans historiques.
Le papier présente ScribeTokens, une méthode de tokenisation à vocabulaire fixe pour l'encre numérique qui, en décomposant le mouvement du stylo en pas de pixels unitaires et en utilisant une prédiction de token auto-supervisée, surpasse les représentations vectorielles existantes tant pour la génération que pour la reconnaissance de texte manuscrit.
Cet article présente les GaussDerResNets, des réseaux de neurones résiduels fondés sur des dérivées gaussiennes qui, grâce à leurs propriétés de covariance et d'invariance d'échelle prouvées, permettent d'atteindre une forte précision tout en assurant une excellente généralisation à des échelles d'image non vues lors de l'entraînement.
Cette étude révèle que, contrairement aux informations sur les nœuds qui sont encodées précocement dans l'encodeur visuel des modèles de langage-vision, les informations relatives aux arêtes ne deviennent linéairement séparables qu'au niveau des jetons textuels, ce qui explique leurs difficultés à comprendre les relations directionnelles dans les diagrammes.
Cette présentation propose une méthode de synthèse de vues nouvelles à partir de vues éparses qui utilise un échantillonnage d'importance guidé par des priors multimodaux pour optimiser la représentation hiérarchique des Gaussiennes 3D, permettant ainsi d'obtenir des reconstructions de pointe en évitant le surajustement et en concentrant le raffinement sur les régions géométriquement critiques.
SIGMark est un cadre de filigrane scalable et sans distorsion pour la génération de vidéos par diffusion, qui permet une extraction aveugle efficace et robuste grâce à un codage pseudo-aléatoire global et à un module d'ordonnancement de groupes de segments adapté aux VAE 3D causaux.
Le papier présente SemanticDialect, une méthode de quantisation mixte sémantiquement consciente qui améliore l'efficacité et la qualité de la génération vidéo sur les Transformers de diffusion en sélectionnant dynamiquement des formats optimaux par bloc, en décomposant les activations pour réduire l'erreur et en assurant la cohérence des tokens sémantiquement corrélés.
Le papier propose StegaFFD, un cadre de détection de falsification faciale qui préserve la vie privée en dissimulant les images dans des supports naturels via la stéganographie, tout en maintenant une haute précision grâce à des mécanismes d'attention fréquentielle et d'alignement de domaine.
Ce papier présente LLandMark, un cadre multi-agents modulaire conçu pour la recherche interactive de vidéos multimodales axée sur les repères, qui intègre une analyse sémantique avancée, une reconnaissance de texte et une génération autonome de requêtes visuelles pour améliorer la précision des recherches dans des contextes vietnamiens complexes.
Ce travail présente MVD-HuGaS, une méthode innovante qui permet la reconstruction 3D haute fidélité d'humains à partir d'une seule image en utilisant un modèle de diffusion multi-vues pour générer des vues synthétiques, un module d'alignement pour estimer les poses caméra, et une atténuation des distorsions faciales pour optimiser des gaussiennes 3D.
Ce papier présente 3D-DRES, une nouvelle tâche de segmentation d'expressions de référence 3D détaillée, accompagnée du jeu de données DetailRefer et de l'architecture de base DetailBase, qui permettent une cartographie phrase-instance pour améliorer la compréhension vision-langage 3D fine et surpasser les benchmarks existants.
Le papier présente ProGIC, un codec d'compression d'images génératif progressif et léger basé sur la quantification vectorielle résiduelle, qui offre une qualité perceptuelle supérieure, une transmission flexible et une efficacité de calcul accrue par rapport aux méthodes existantes.
Cet article présente le Harmonic Beltrami Signature Network (HBSN), une architecture d'apprentissage profond innovante qui calcule efficacement la signature de Beltrami harmonique pour normaliser et intégrer des informations de forme géométrique dans les modèles de segmentation, améliorant ainsi leurs performances grâce à l'utilisation de priors de forme.
Ce papier présente Articulation in Motion (AiM), une nouvelle méthode sans a priori qui analyse la mobilité des objets articulés et reconstruit leurs répliques 3D interactives à partir d'une vidéo d'interaction et d'un scan initial, en segmentant les pièces et en estimant leur cinématique sans connaissance préalable du nombre de composants.