8911 articles
Les auteurs proposent le cadre ZACAF, qui intègre l'apprentissage par transfert et l'augmentation de données pour surmonter les limites des méthodes supervisées et permettre une quantification précise et généralisable de la fonction cardiovasculaire chez le poisson-zèbre, y compris dans des modèles de cardiomyopathie.
Le papier propose FiLo, une nouvelle méthode de détection d'anomalies en zéro-shot qui améliore la précision et la localisation grâce à des descriptions fines générées par des modèles de langage et une localisation de haute qualité assistée par Grounding DINO, atteignant ainsi des performances de pointe sur les ensembles de données MVTec et VisA.
Cet article propose la méthode USEFUL, qui atténue le biais de simplicité en rééchantillonnant sélectivement les données d'entraînement pour améliorer la généralisation in-distribution, atteignant ainsi des performances de pointe sur plusieurs jeux de données standards.
Ce papier présente OS-Det3D, un cadre d'apprentissage en deux étapes qui améliore la détection 3D à base de caméras pour la conduite autonome en permettant la découverte et l'identification d'objets inconnus grâce à une combinaison de propositions géométriques LiDAR et d'un module de sélection conjointe.
Le papier présente PO-GUISE+, un transformateur vidéo multi-tâches optimisé pour la reconnaissance efficace des actions de conduite distrayante en sélectionnant les tokens grâce aux informations de pose et d'objets, réduisant ainsi les coûts computationnels tout en surpassant les méthodes actuelles sur plusieurs jeux de données et plateformes embarquées.
Ce papier présente MSSPlace, une méthode de reconnaissance de lieu multimodale qui fusionne tardivement des données visuelles, LiDAR, sémantiques et textuelles issues de multiples capteurs pour atteindre des performances de pointe sur les jeux de données Oxford RobotCar et NCLT.
Cet article présente un nouveau jeu de données public comprenant des vidéos et une taxonomie de 90 objets essentiels, conçu pour améliorer la reconnaissance d'objets en temps réel et soutenir la navigation des personnes aveugles ou malvoyantes.
Cet article propose une méthode en deux étapes utilisant un VQ-VAE et un modèle causal dans l'espace latent pour générer des IRM cérébrales 3D de haute qualité et diversifiées, surmontant ainsi les limitations des modèles génératifs et causaux existants face aux données médicales de petite taille.
Ce papier propose le MV-Adapter, un module d'attention canal adaptatif intégré à l'architecture USIS-SAM, qui améliore significativement la segmentation d'instances sous-marine en compensant dynamiquement les défis environnementaux tels que l'atténuation lumineuse et la distorsion des couleurs.
L'article présente XPoint, une architecture auto-supervisée et modulaire basée sur le modèle VMamba, conçue pour surmonter les défis de l'appariement d'images multispectrales en s'adaptant rapidement à divers couples de modalités sans nécessiter de données étiquetées coûteuses.
Le papier présente EchoMimicV2, une méthode d'animation humaine mi-corps qui, grâce à une harmonisation dynamique audio-poser, une attention partielle sur la tête et une perte de débruitage spécifique aux phases, génère des animations expressives et détaillées tout en simplifiant les conditions d'entrée et en surpassant les méthodes existantes.
Ce papier présente MFP3D, un nouveau cadre utilisant une seule image monoculaire pour estimer avec précision les portions alimentaires en reconstruisant un nuage de points 3D et en combinant ces données avec des caractéristiques d'image 2D pour prédire le volume et l'énergie.
Ce papier propose le paradigme « Grounding-IQA », qui intègre la localisation visuelle aux modèles de langage multimodaux pour améliorer l'évaluation de la qualité d'image, en s'appuyant sur un nouveau jeu de données annoté automatiquement (GIQA-160K) et un benchmark dédié (GIQA-Bench) pour évaluer la description, la réponse aux questions et la précision de la localisation.
Ce papier présente DAWN-FM, une méthode de Flow Matching intégrant des embeddings de données et de bruit pour résoudre de manière robuste les problèmes inverses mal posés tout en permettant une quantification de l'incertitude.
Le papier propose FiLo++, une méthode de détection d'anomalies en contexte zéro ou peu-shot qui améliore la précision et la localisation grâce à des descriptions textuelles fines générées par des modèles de langage et à un module de localisation déformable basé sur Grounding DINO.
Cet article présente des fonctions d'activation basées sur des bases orthogonales (polynomiales, trigonométriques et tropicales) qui, grâce à une initialisation préservant la variance, permettent d'entraîner efficacement des modèles profonds comme GPT-2 et ConvNeXt tout en évitant les problèmes d'explosion ou de disparition des gradients et en facilitant le fine-tuning via l'interpolation d'Hermite.
Cette étude démontre que l'inférence générative profonde appliquée aux cartes de perfusion calculées à partir d'angiographies CT permet de localiser les substrats neuraux des déficits liés à l'AVC ischémique avec une grande fidélité anatomique, offrant ainsi un outil clinique et scientifique prometteur pour la caractérisation précoce des lésions sans nécessiter la connaissance préalable de la lésion parenchymateuse.
Cette étude démontre que le modèle CLIP encode bien les relations d'attribution objet-qualité de manière unimodale, mais que cette information est perdue lors de l'alignement intermodal, un problème que l'on peut résoudre efficacement par une simple transformation linéaire sans réentraînement coûteux.
Le papier présente WorldSense, le premier benchmark omnimodal évaluant la compréhension vidéo intégrée (visuel, audio, texte) à travers 1 662 vidéos annotées par des experts et 3 172 questions, révélant que les modèles actuels peinent encore à maîtriser les scénarios réels complexes.
Cette étude démontre que moins de 1 % des paramètres d'un modèle de diffusion, localisés exclusivement dans ses couches d'attention, suffisent à générer du texte dans les images, permettant ainsi d'améliorer l'efficacité du fine-tuning, d'éditer le contenu textuel et de prévenir la génération de textes toxiques de manière universelle et économique.