9978 articles
WristMIR est un cadre d'extraction de radiographies du poignet pédiatrique qui exploite des rapports radiologiques structurés et une localisation spécifique aux os pour améliorer la précision du diagnostic des fractures et l'aide à la décision clinique grâce à une recherche d'images guidée par les régions anatomiques.
Cette étude présente le Garbage Dataset (GD), un ensemble de données public de 12 259 images couvrant 10 catégories de déchets, qui a été rigoureusement validé et utilisé pour évaluer des modèles d'apprentissage profond, démontrant que l'EfficientNetV2S atteint les meilleures performances (95,13 % de précision) tout en mettant en lumière les défis liés au déséquilibre des classes et à la complexité de l'arrière-plan pour la ségrégation automatisée des déchets.
L'article présente EO-VAE, un autoencodeur variationnel multi-capteurs capable de tokenizer efficacement des combinaisons flexibles de canaux spectraux pour l'observation de la Terre, surpassant les approches existantes en fidélité de reconstruction.
Le papier présente MedXIAOHE, un modèle fondationnel médical vision-langage qui atteint des performances de pointe grâce à un cadre d'entraînement continu axé sur les entités et un apprentissage par renforcement pour le raisonnement, surpassant les systèmes multimodaux fermés tout en garantissant une génération de rapports fiables et ancrée dans des preuves.
L'article UniTAF propose un cadre modulaire unifiant la synthèse vocale et la génération faciale à partir de l'audio pour faciliter le transfert de caractéristiques internes et améliorer la cohérence entre la parole et les expressions faciales, en validant ainsi la faisabilité de cette approche d'unification plutôt qu'en se concentrant sur la qualité de génération.
CRAFT-LoRA est une méthode de personnalisation de la génération d'images qui améliore la fidélité du contenu et la cohérence stylistique grâce à un ajustement de rang contraint, une agrégation d'adaptateurs guidée par des invites et un schéma de guidance sans réentraînement, permettant ainsi un contrôle précis et une fusion stable des modules LoRA.
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.