9815 articles
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.
Ce papier présente BiCAM, une méthode d'activation de classe bidirectionnelle pour les Vision Transformers qui capture à la fois les contributions positives et négatives afin d'améliorer l'interprétabilité et de détecter les exemples adverses sans réentraînement.
Le papier présente PromptStereo, une méthode de stéréo matching zero-shot qui améliore la généralisation en intégrant des indices de structure monoculaire et de mouvement stéréo dans un module de raffinement itératif (PRU) basé sur les décodeurs de modèles de profondeur monoculaire, surpassant ainsi les méthodes existantes tout en maintenant une vitesse d'inférence compétitive.
Le papier présente Nano-EmoX, un modèle de langage multimodal compact de 2,2 milliards de paramètres qui unifie six tâches affectives clés en intégrant une hiérarchie cognitive à trois niveaux et un cadre d'entraînement P2E pour combler le fossé entre la perception émotionnelle et l'empathie.
Le papier propose SimRecon, un cadre innovant qui améliore la reconstruction de scènes composées à partir de vidéos réelles en intégrant deux modules de liaison, l'optimisation active du point de vue et un synthétiseur de graphes de scène, pour garantir à la fois la fidélité visuelle et la plausibilité physique des assets générés.
Ce papier présente OnlineX, un cadre feed-forward qui résout le problème de la dérive dans la reconstruction 3D en ligne en introduisant une évolution d'état découplée « actif-vers-stable » pour fusionner efficacement la géométrie locale à haute fréquence avec la structure globale à long terme, tout en reconstruisant simultanément l'apparence visuelle et les champs sémantiques.
Le papier présente HiFi-Inpaint, un cadre novateur d'inpainting basé sur une référence qui, grâce à une nouvelle attention d'amélioration partagée, une perte consciente des détails et un jeu de données HP-Image-40K, permet de générer des images humain-produit haute fidélité avec une préservation exceptionnelle des détails.
Le papier présente TimeGS, un cadre novateur qui transforme la prévision de séries temporelles en un problème de rendu génératif 2D via l'utilisation de splatting gaussien pour surmonter les limites des approches existantes en assurant la continuité chronologique et une résolution adaptative.
Le papier présente CamDirector, un cadre innovant pour l'édition de trajectoires vidéo qui assure une cohérence temporelle à long terme grâce à une fusion hybride de warping et à un modèle de diffusion autorégressif guidé par l'historique, surpassant les méthodes existantes sur le nouveau benchmark iPhone-PTZ.
L'article présente Social-JEPA, une méthode où des agents apprenant indépendamment à partir de points de vue distincts développent spontanément des espaces latents isométriques, permettant une traduction transparente et un transfert de tâches sans ajustement supplémentaire.
Cette étude propose un cadre de vérification multimodal pour l'identification animale qui, grâce à un corpus massif de 1,9 million d'images et à l'intégration de descriptions textuelles synthétiques via un mécanisme de fusion adaptatif, améliore significativement la précision de réidentification des animaux par rapport aux méthodes unimodales.
Ce papier propose PDP, un cadre novateur pour la détection d'objets incrémentielle qui surpasse les méthodes existantes en utilisant un découplage de prompts à double pool pour séparer les connaissances générales et spécifiques, ainsi qu'un module de génération de pseudo-étiquettes prototypiques pour corriger la dérive des prompts et atteindre des performances de pointe sur les benchmarks MS-COCO et PASCAL VOC.
L'article présente AutoFFS, un cadre novateur basé sur les données qui utilise des déformations adverses pour générer des morphologies crâniennes contrefactuelles et quantifier ainsi la planification chirurgicale de la féminisation faciale.
Cet article présente une évaluation systématique des fonctions de perte et des architectures pour la classification multi-étiquettes de radiographies thoraciques à distribution déséquilibrée, démontrant que l'utilisation de LDAM-DRW avec ConvNeXt-Large permet d'atteindre le 5ᵉ rang sur le benchmark CXR-LT 2026.
Le papier présente HAMMER, un cadre innovant exploitant les grands modèles de langage multimodaux (MLLM) pour la localisation d'affordances 3D guidée par l'intention d'interaction, en agrégeant les indices contextuels visuels dans des embeddings de contact et en intégrant des mécanismes hiérarchiques pour affiner les représentations 3D sans dépendre de descriptions d'attributs explicites ou de segmenteurs 2D préexistants.
Cet article propose des cartes de préconditionnement réversibles pour améliorer la condition du covariance des distributions intermédiaires dans l'apprentissage par flux et score, permettant ainsi de surmonter les plateaux d'optimisation causés par un mauvais conditionnement et d'obtenir des modèles génératifs mieux entraînés.
MERG3R est un cadre d'apprentissage sans entraînement basé sur une approche diviser-pour-régnier qui permet aux modèles de géométrie visuelle neuronale de reconstruire des collections d'images à grande échelle en surmontant les limites de mémoire GPU grâce à la partition, la reconstruction locale et l'alignement global.
Cette étude identifie et résout les problèmes de généralisation des méthodes de récupération de moments vidéo lors du passage des requêtes de type « légende » aux requêtes de type « recherche », en proposant des modifications architecturales qui atténuent l'effondrement des requêtes du décodeur et améliorent significativement les performances sur des requêtes complexes et multi-moments.