9812 articles
Ce papier présente CFE-Bench, un nouveau benchmark multimodal évaluant les capacités de raisonnement des grands modèles de langage sur plus de 20 domaines STEM à l'aide de problèmes d'examen universitaires authentiques, révélant que même les modèles les plus avancés peinent à maintenir des états intermédiaires cohérents dans des solutions multi-étapes malgré des performances correctes sur des sous-questions isolées.
Ce papier présente TraqPoint, un cadre d'apprentissage par renforcement novateur qui reformule la détection de points clés comme un problème de décision séquentielle pour optimiser directement la qualité des trajectoires sur des séquences d'images, surpassant ainsi les méthodes existantes dans des tâches de vision 3D complexes.
Ce papier propose CDS, un cadre unifié et sans entraînement pour l'édition d'images multi-concepts qui surpasse les méthodes existantes en préservant la fidélité des instances et en intégrant plusieurs concepts visuels directement dans le processus de diffusion sans nécessiter d'échantillons de référence.
Le papier présente Uni-Animator, un nouveau cadre basé sur les Diffusion Transformers qui unifie la colorisation de croquis d'images et de vidéos en surmontant les défis de transfert de couleur imprécis, de préservation des détails physiques et de cohérence temporelle grâce à des mécanismes innovants d'embodiment de patchs, de renforcement des détails physiques et d'encodage RoPE dynamique.
Cet article présente MedMAP, un cadre de pré-entraînement modale pour les modèles vision-langage qui améliore la détection d'anomalies multi-organes dans les IRM 3D grâce à une nouvelle base de données et une alignement spécifique aux modalités médicales.
Cet article présente APPO, un algorithme d'optimisation de politique guidé par l'attention qui améliore la perception fine des modèles de raisonnement vidéo en utilisant des récompenses denses au niveau des tokens, démontrant ainsi que l'optimisation de la perception est plus cruciale et rentable que l'augmentation de la capacité de raisonnement pure.
Cet article présente une approche innovante combinant le modèle de segmentation SAM2, les outils de génération de texte Florence2 et ChatGPT, ainsi qu'une ontologie spécialisée, pour segmenter et étiqueter automatiquement les traités de construction navale des XVIe et XVIIe siècles, afin de faciliter la curation et l'accessibilité de ces documents historiques précieux malgré le manque de données d'entraînement.
Cet article présente Lilium, une nouvelle méthode évolutive automatisée qui améliore la précision et la robustesse de la superposition crânio-faciale en modélisant explicitement la variabilité des tissus mous via une représentation conique 3D optimisée par un algorithme d'évolution différentielle.
L'article présente GLIDE-Reg, une méthode d'enregistrement déformable global-à-local qui fusionne des caractéristiques sémantiques globales issues de modèles de fondation avec des descripteurs locaux MIND pour surpasser l'état de l'art en termes de robustesse et de précision sur des cohortes pulmonaires variées.
Ce papier propose IDER, une méthode de réapprentissage continu novatrice basée sur la propriété d'idempotence qui améliore la fiabilité des prédictions, réduit l'oubli catastrophique et augmente la précision tout en étant compatible avec les méthodes de réentraînement existantes.
Ce papier présente BornoViT, un modèle Vision Transformer léger et efficace conçu pour classifier les caractères et chiffres manuscrits bengalis avec une grande précision tout en minimisant les besoins computationnels, le rendant idéal pour les environnements aux ressources limitées.
Le papier présente ShiftLUT, un cadre novateur pour la restauration d'images qui combine un module de décalage spatial apprenable, une architecture asymétrique à double branche et une stratégie de compression de table de recherche pour atteindre un champ récepteur maximal et des performances supérieures tout en maintenant une efficacité computationnelle et un stockage réduits pour les dispositifs embarqués.
Cet article présente le cadre Multimodal Weight Predictor (MWP) et le jeu de données Waste-Weight-10K, qui combinent des images RGB et des métadonnées physiques via une fusion multimodale pour estimer avec précision le poids des déchets industriels et commerciaux tout en fournissant des explications interprétables.
Le papier présente PreciseCache, un cadre plug-and-play qui accélère la génération vidéo sans compromettre la qualité en détectant et en sautant précisément les calculs redondants à l'aide de deux composants : LFCache pour la mise en cache par étape et BlockCache pour la mise en cache par bloc.
Le papier présente FlowReg, une méthode d'enregistrement d'images cardiaques IRM non supervisée basée sur l'appariement de flux et l'entraînement par reflu, qui permet un raffinement à l'inférence en quelques étapes avec des performances supérieures à l'état de l'art et une réduction de l'erreur d'estimation de la fraction d'éjection ventriculaire gauche.
HeroGS est un cadre unifié qui améliore la reconstruction 3D par Splatting de Gaussiennes en conditions de vues éparses grâce à une guidance hiérarchique à trois niveaux (image, caractéristiques et paramètres) pour régulariser les distributions, affiner les détails et garantir la cohérence géométrique.
Cet article présente ET-Turb, un vaste ensemble de données synthétiques et un modèle de fonction de transfert de modulation dépendant du temps d'exposition (ET-MTF), conçus pour générer des effets de turbulence atmosphérique réalistes et améliorer la généralisation des modèles de restauration d'images.
UETrack est un cadre de suivi d'objet unique unifié et efficace capable de traiter plusieurs modalités (RGB, profondeur, thermique, événementiel et langage) grâce à un mécanisme de mélange d'experts basé sur le regroupement de tokens et une stratégie de distillation adaptative, offrant ainsi un compromis optimal entre vitesse et précision sur diverses plateformes matérielles.
Le papier présente FACE, un cadre d'autoencodeur autorégressif novateur qui génère des maillages 3D de haute fidélité et à faible coût en traitant chaque face triangulaire comme un token unique, réduisant ainsi drastiquement la longueur des séquences tout en surpassant l'état de l'art en matière de reconstruction et de génération à partir d'une seule image.
L'article présente InterCoG, un cadre de raisonnement intercalé texte-vision qui améliore l'édition d'images complexes en déduisant d'abord la position des objets par le texte avant de les localiser visuellement, soutenu par un nouveau jeu de données et des modules d'entraînement pour garantir une précision spatiale supérieure.