9033 articles
Ce papier présente BWCache, une méthode sans entraînement qui accélère la génération vidéo par des Transformers de diffusion en réutilisant dynamiquement les caractéristiques des blocs lors des étapes intermédiaires grâce à un indicateur de similarité, permettant ainsi une accélération jusqu'à 6 fois sans compromettre la qualité visuelle.
Le papier présente Brain-HGCN, un cadre d'apprentissage profond géométrique basé sur la géométrie hyperbolique qui modélise avec fidélité la hiérarchie des réseaux fonctionnels cérébraux pour améliorer la classification des troubles psychiatriques par rapport aux méthodes euclidiennes.
Ce papier présente I2S, un cadre léger et rapide pour l'identification d'utilisateurs en temps réel dans les systèmes de réalité augmentée, qui exploite l'analyse de la pose 3D de la main et une nouvelle descripteur d'enveloppe spatiale inter-mains (IHSE) pour atteindre une précision exceptionnelle de 97,52 % lors de l'interaction humain-objet.
Cet article présente GeoProto, une méthode de reconnaissance fine interprétable qui améliore la similarité des prototypes en s'appuyant sur la géométrie intrinsèque des caractéristiques visuelles via des cartes de diffusion et une interpolation de Nyström différentiable, surpassant ainsi les approches basées sur la distance euclidienne.
Ce papier présente SHINE, un cadre d'insertion d'images sans entraînement qui exploite les priors physiques des modèles de diffusion modernes pour réaliser des compositions réalistes avec des ombres et des réflexions précises, tout en introduisant le nouveau benchmark ComplexCompo pour évaluer ces capacités.
Ce papier présente QuadGPT, le premier cadre autoregressif capable de générer directement des maillages quadrangulaires de haute qualité en end-to-end, surpassant les méthodes traditionnelles de conversion triangle-quadrilatère grâce à une tokenisation unifiée et un affinage par apprentissage par renforcement.
Le papier présente DistillKac, un générateur d'images rapide qui utilise l'équation d'onde amortie et sa représentation stochastique de Kac pour déplacer la masse de probabilité à vitesse finie, permettant ainsi une génération de haute qualité en très peu d'évaluations tout en garantissant une stabilité numérique supérieure à celle des modèles de diffusion.
Cet article propose un cadre d'évaluation ouvert et évolutif pour les modèles de langage multimodaux (MLLM) afin d'évaluer leur compréhension des émotions visuelles via une tâche de jugement d'énoncés automatisée, révélant ainsi des progrès significatifs tout en mettant en lumière un écart persistant par rapport à la subjectivité humaine.
Le papier présente COMPASS, un cadre pratique qui améliore l'efficacité et la précision de la prédiction conformale pour les métriques de segmentation médicale en effectuant une calibration directe dans l'espace des représentations des réseaux de neurones, produisant ainsi des intervalles d'incertitude plus étroits et robustes face aux décalages de covariables.
Le papier présente CircuitSense, une nouvelle norme de référence hiérarchique évaluant la capacité des grands modèles multimodaux à passer de la compréhension visuelle de schémas de circuits à la dérivation de modèles mathématiques symboliques, révélant ainsi un écart critique entre la reconnaissance visuelle et le raisonnement analytique dans les modèles actuels.
Cet article présente NeuroAdapter, un cadre de décodage visuel qui conditionne directement un modèle de diffusion latent sur des représentations cérébrales pour améliorer la qualité de reconstruction et l'interprétabilité des contributions corticales via un nouveau cadre bidirectionnel IBBI.
Le papier présente DiffInk, un cadre innovant combinant un auto-encodeur variationnel (InkVAE) et un transformateur de diffusion latente (InkDiT) pour générer des lignes d'écriture manuscrite en ligne complètes avec une haute fidélité stylistique et une précision des glyphes, surpassant les méthodes actuelles en efficacité et en cohérence structurelle.
Le papier présente SMART-R1, un nouveau paradigme d'affinement par renforcement de style R1 qui améliore la simulation du trafic multi-agents en alignant les comportements sur les préférences humaines via une stratégie itérative SFT-RFT-SFT, permettant d'atteindre les performances les plus avancées sur le Waymo Open Sim Agents Challenge.
Ce papier présente EditReward, un modèle de récompense open-source entraîné sur un vaste ensemble de données de préférences humaines annotées par des experts, qui surpasse les modèles existants en alignement avec les préférences humaines et permet d'identifier des sous-ensembles de données de haute qualité pour améliorer l'entraînement des modèles d'édition d'images.
Stylos est un cadre innovant de transfert de style 3D basé sur une seule passe avant de splatting gaussien qui génère des scènes stylisées géométriquement fidèles et cohérentes sur plusieurs vues, sans nécessiter d'optimisation par scène ni de poses précalculées, en utilisant une architecture Transformer couplée à une perte de style 3D basée sur des voxels.
Cet article présente C³B, un nouveau benchmark multilingue et multitâche basé sur des bandes dessinées conçu pour évaluer et améliorer les capacités de conscience culturelle des modèles de langage multimodaux, en surmontant les limites des benchmarks existants grâce à une difficulté progressive et à des scénarios interculturels complexes.
L'article présente LVTINO, le premier solveur inverse zéro-shot pour la restauration vidéo haute définition, qui exploite des modèles de consistance vidéo pour garantir une cohérence temporelle et une haute fidélité avec une efficacité computationnelle supérieure aux méthodes existantes basées sur des modèles image par image.
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.