8956 articles
Le papier présente DragFlow, un cadre innovant qui exploite les puissants priors du modèle DiT FLUX via une supervision basée sur des régions et des contraintes de gradient pour surmonter les limitations des méthodes de retouche par glissement traditionnelles et établir un nouvel état de l'art dans ce domaine.
Le papier présente ChainMPQ, une méthode sans entraînement qui atténue les hallucinations relationnelles dans les modèles vision-langage en utilisant des chaînes de raisonnement intercalées texte-image guidées par des questions multi-perspectives et des mémoires accumulées.
Ce papier présente le VA-Adapter, un adaptateur vision-action qui intègre un modèle fondamental d'échographie pour guider les sondes échocardiographiques en inférant la structure cardiaque tridimensionnelle à partir de séquences historiques, surpassant ainsi les modèles existants avec une fraction de leurs paramètres.
Ce papier présente TTOM, un cadre sans entraînement qui améliore la génération vidéo compositionnelle en alignant les modèles de fondation vidéo sur des layouts spatio-temporels via une optimisation et une mémorisation paramétriques en temps d'exécution.
Ce papier présente les « splattable neural primitives », une nouvelle représentation volumétrique qui combine l'expressivité des modèles neuronaux et l'efficacité du splatting des primitives 3D pour permettre une synthèse de vue nouvelle de haute qualité et en temps réel avec dix fois moins de primitives et six fois moins de paramètres que les méthodes existantes.
Ce papier présente LinearSR, un cadre holistique qui surmonte les défis de stabilité et d'efficacité de l'attention linéaire pour la super-résolution d'images photoréalistes en proposant une stratégie d'arrêt précoce guidée, une architecture MoE basée sur le SNR et un paradigme de guidage léger, permettant d'atteindre une qualité perceptuelle de pointe avec une efficacité computationnelle exceptionnelle.
Le papier présente PHyCLIP, une méthode qui unifie la hiérarchie et la compositionnalité dans l'apprentissage de représentations vision-langage en utilisant une métrique de produit sur des facteurs hyperboliques, surpassant ainsi les approches existantes sur diverses tâches d'évaluation.
Cet article propose un cadre d'apprentissage coopératif (CSL) qui résout simultanément l'apprentissage de caractéristiques sémantiques robustes et la récupération des labels manquants pour la reconnaissance d'images multi-étiquettes incomplète, surpassant ainsi les méthodes de l'état de l'art sur plusieurs jeux de données publics.
Le papier présente UniFlow, un tokenizer visuel unifié qui résout le compromis traditionnel entre la compréhension et la génération d'images en combinant une distillation auto-adaptative pour préserver les caractéristiques sémantiques avec un décodeur de flux de pixels par patch pour une reconstruction fidèle, permettant ainsi de surpasser les modèles existants sur des tâches d'analyse et de création visuelle.
Cet article présente un cadre d'apprentissage en deux étapes qui permet d'entraîner des modèles génératifs directement dans l'espace des pixels avec des performances de pointe sur ImageNet, surpassant les méthodes basées sur les VAE et réduisant considérablement les coûts de calcul.
Inspiré par le circuit olfactif de la mouche, Fly-CL est un cadre bio-inspiré qui améliore l'apprentissage continu de représentations en résolvant efficacement la multicolinéarité et en réduisant considérablement le temps d'entraînement tout en maintenant des performances de pointe.
Le papier présente Mono4DGS-HDR, un système pionnier utilisant une approche d'optimisation en deux étapes basée sur le Gaussian Splatting pour reconstruire des scènes 4D à haute dynamique (HDR) à partir de vidéos monoculaires non calibrées avec des expositions alternées, tout en assurant une cohérence temporelle grâce à une régularisation spécifique.
Le papier présente LightMem, un système de mémoire léger et efficace inspiré du modèle humain d'Atkinson-Shiffrin qui, grâce à une organisation en trois étapes (mémoire sensorielle, court terme et long terme avec mise à jour hors ligne), améliore significativement la précision des LLMs tout en réduisant drastiquement l'utilisation de tokens et les appels API par rapport aux méthodes existantes.
L'article présente BioCAP, un modèle fondamental biologique qui améliore la classification des espèces et la recherche image-texte en exploitant des légendes synthétiques générées par des modèles de langage multimodaux pour enrichir l'apprentissage au-delà des simples étiquettes.
VoMP est une méthode feed-forward novatrice qui prédit de manière précise et rapide les champs de propriétés mécaniques volumétriques (module de Young, coefficient de Poisson et densité) de n'importe quel objet 3D en apprenant un espace latent de matériaux physiquement plausibles à partir d'un nouveau pipeline d'annotation et d'un benchmark dédié.
Le papier présente Concerto, un modèle d'apprentissage auto-supervisé conjoint 2D-3D inspiré de la synergie multisensorielle humaine, qui établit de nouvelles références dans la perception des scènes 3D en apprenant des représentations spatiales géométriques et sémantiques supérieures.
Le papier présente ProMoE, un cadre MoE pour les Transformers de diffusion qui surpasse les méthodes actuelles en introduisant un routage explicite à deux étapes guidé par des prototypes pour surmonter les défis de la spécialisation des experts dans les tokens visuels.
Le papier présente "Brain-IT", une méthode basée sur un Transformer d'interaction cérébrale qui reconstruit fidèlement des images à partir de données fMRI en exploitant des clusters fonctionnels partagés pour prédire des caractéristiques sémantiques et structurelles, surpassant les approches actuelles tout en nécessitant beaucoup moins de données d'entraînement.
Cette étude propose une méthode novatrice générant des vidéos de visages parlants haute résolution exclusivement à partir d'un seul signal audio, en utilisant un modèle de diffusion conditionné par la parole, des priors faciaux et un module de raffinement régional pour produire des résultats supérieurs aux approches existantes.
Le papier présente ThinkMorph, un modèle unifié qui améliore le raisonnement multimodal en générant des chaînes de pensée intercalées et complémentaires entre texte et image, démontrant ainsi des capacités émergentes et des performances supérieures sur des tâches visuelles et hors domaine.