8877 articles
Ce papier présente HDINO, un détecteur d'objets à vocabulaire ouvert efficace et concis qui, grâce à une stratégie d'entraînement en deux étapes éliminant le besoin de données d'entraînement manuellement curatées, surpasse les méthodes de pointe comme Grounding DINO et T-Rex2 sur le jeu de données COCO.
GloPath est un modèle fondamental centré sur les entités, entraîné sur plus d'un million de glomérules, qui surpasse les méthodes actuelles pour l'évaluation des lésions glomérulaires et découvre des liens significatifs entre les paramètres morphologiques et les indicateurs cliniques, marquant ainsi une avancée vers une intelligence artificielle translatable en néphropathologie.
TC-Padé est une méthode d'accélération pour les modèles de diffusion qui, en remplaçant les extrapolations polynomiales par une approximation de Padé adaptative et consciente des étapes, permet une génération rapide et de haute qualité à faible nombre d'itérations en garantissant la cohérence de la trajectoire de débruitage.
Cet article propose un cadre léger intégrant une nouvelle fonction de perte de proportion, issue de l'apprentissage à partir de proportions d'étiquettes, pour atténuer les biais de classe dans l'apprentissage semi-supervisé déséquilibré et améliorer significativement les performances sur des benchmarks comme CIFAR-10 à longue traîne.
Cet article propose une méthode semi-supervisée efficace pour adapter les modèles vision-langage aux tâches médicales en peu d'exemples, en exploitant des données non étiquetées pour propager des pseudo-étiquettes textuelles et réduire ainsi de plus de 50 % l'effort d'annotation nécessaire.
Cet article propose une méthode d'amélioration de la détection d'anomalies industrielles en combinant un pipeline de synthèse d'anomalies basé sur des modèles fondamentaux (FMAS) et un module d'attention dans le domaine des ondelettes (WDAM), permettant d'obtenir des performances supérieures sur les jeux de données MVTec AD et VisA sans nécessiter d'entraînement spécifique par classe.
TagaVLM est une nouvelle approche de navigation vision-langage qui intègre explicitement des structures topologiques dans le modèle de base via une attention résiduelle spatiale et des prompts de navigation, permettant un raisonnement d'action global et établissant un nouvel état de l'art sur le benchmark R2R.
Cet article propose un cadre efficace pour la détection d'anomalies non supervisée en utilisant un modèle autorégressif spatial 2D sur les embeddings DINOv3, permettant d'apprendre la distribution normative de manière compacte sans mémoire excessive tout en réduisant considérablement le temps et les coûts d'inférence.
Le papier présente le jeu de données Dresden (D4D), une ressource complète de plus de 300 000 images et 369 nuages de points issue de cadavres porcins, conçue pour évaluer et développer des méthodes de reconstruction 4D, de SLAM non rigide et d'estimation de profondeur dans des scènes chirurgicales abdominales réalistes.
VIRGi est une méthode novatrice qui permet de recolorer rapidement et de manière photoréaliste des scènes modélisées par l'éclaboussure de gaussiennes 3D (3DGS) tout en préservant les effets dépendants de la vue, en utilisant une architecture séparant les composantes de couleur et un processus de fine-tuning nécessitant uniquement une image éditée manuellement.
Les auteurs proposent l'Ultra Resolution Geometry Transformer (URGT), un modèle transformeur unifié multi-patches qui améliore l'estimation conjointe de la profondeur et des normales en haute résolution en combinant des priors grossiers, une attention inter-patches pour la cohérence globale et une stratégie d'échantillonnage GridMix, atteignant ainsi des performances état de l'art sur UnrealStereo4K avec une excellente généralisation.
Cette étude présente BRIGHT, le premier modèle fondationnel collaboratif généraliste-spécialiste conçu spécifiquement pour la pathologie mammaire et entraîné sur une vaste base de données multi-institutionnelle, démontrant des performances supérieures aux modèles généralistes existants sur un large éventail de tâches cliniques tout en validant une nouvelle approche évolutive pour le développement de modèles spécialisés par organe.
Cet article présente EduVQA, un cadre d'évaluation et un jeu de données pionnier nommé EduAIGV-1k conçus pour mesurer la qualité perceptive et l'alignement pédagogique des vidéos générées par l'IA destinées à l'enseignement des mathématiques aux jeunes apprenants.
Le papier présente TikZilla, une famille de modèles de langage open-source entraînés sur le nouveau jeu de données DaTikZ-V4 et optimisés par apprentissage par renforcement avec des récompenses sémantiques, permettant de générer des figures scientifiques TikZ de haute qualité qui surpassent GPT-4o et rivalisent avec GPT-5.
Cet article présente TinyIceNet, un réseau de segmentation sémantique compact et économe en énergie, conçu pour fonctionner sur FPGA à bord de satellites afin de cartographier la glace de mer en temps réel à partir d'images SAR Sentinel-1.
Le papier présente AWDiff, un cadre d'augmentation basé sur la diffusion qui intègre une transformée en ondelettes *a trous* et le conditionnement sémantique de BioMedCLIP pour générer des images d'échographie pulmonaire de haute fidélité tout en préservant les structures diagnostiques fines.
Le papier présente RL3DEdit, un cadre d'apprentissage par renforcement qui utilise les récompenses dérivées du modèle fondamental 3D VGGT pour surmonter le manque de données d'entraînement et garantir une cohérence multi-vue efficace dans l'édition de scènes 3D guidée par des modèles de diffusion 2D.
Le rapport technique présente Kling-MotionControl, un cadre unifié basé sur DiT qui génère des animations de personnages réalistes et expressives en combinant stabilité structurelle et expressivité fine, tout en assurant une généralisation robuste entre identités, une préservation fidèle de l'apparence et une accélération significative de l'inférence.
Cet article propose CAT (Conditioned Activation Transport), un cadre innovant qui utilise des cartes de transport non linéaires conditionnées pour réduire les contenus toxiques dans les modèles de génération d'images tout en préservant la qualité des images générées à partir de requêtes bénignes.
Cette présentation propose MoD-DPO, un cadre d'optimisation des préférences découplé par modalité qui atténue les hallucinations intermodales dans les modèles de langage omni-modaux en renforçant l'ancrage des modalités et en réduisant la dépendance aux priors textuels.