1871 articles
Le papier présente HiconAgent, un agent d'interface graphique optimisé par HCPO qui utilise l'échantillonnage dynamique de contexte et la compression guidée par ancrage pour exploiter efficacement l'historique, surpassant ainsi des modèles plus grands avec une réduction significative des coûts computationnels.
Les auteurs proposent MAViD, un cadre multimodal innovant basé sur une architecture Conductor-Creator qui intègre compréhension et génération pour produire des interactions dialogiques audio-visuelles longues, cohérentes et naturelles.
Cette étude révèle que l'information des tokens visuels dans les modèles VLLM s'efface au-delà d'une « horizon d'information » variable selon la tâche et la capacité du modèle, démontrant ainsi que l'élagage aléatoire des tokens dans les couches profondes est aussi efficace que les méthodes existantes et permet d'accélérer l'inférence sans perte significative de performance.
Cet article présente WildRoad, un nouveau jeu de données mondial pour les routes hors-piste, et MaGRoad, un cadre d'extraction de réseaux routiers vectoriels basé sur un raisonnement centré sur le chemin qui surpasse les méthodes existantes en termes de robustesse topologique et d'efficacité dans les environnements sauvages.
Cet article propose un cadre d'augmentation de données en deux étapes combinant un warping de masques basé sur des règles et une traduction d'images non appariée par GAN pour générer des échantillons de visages masqués réalistes, améliorant ainsi la détection et la reconnaissance malgré des contraintes de ressources et de données limitées.
Ce papier présente SALVE, un cadre unifié qui combine l'interprétabilité mécaniste et l'édition de modèles pour découvrir, valider et contrôler de manière précise et permanente le comportement des réseaux de neurones via l'édition de vecteurs latents dans un espace de caractéristiques parcimonieuses.
Le papier présente ReMeDI-SAM3, une extension sans entraînement du modèle SAM3 qui améliore la segmentation d'instruments chirurgicaux en endoscopie grâce à un filtrage de mémoire adaptatif, une interpolation temporelle et un module de ré-identification, surpassant ainsi les approches existantes sur plusieurs jeux de données.
Cette étude révèle que, bien que les écarts entre la perception subjective et la mesure objective de la végétation urbaine soient universels et peu influencés par la démographie ou la personnalité, le lieu de résidence des individus constitue le facteur déterminant dans l'explication de ces différences perceptuelles.
Le papier présente Re-Depth Anything, un cadre d'auto-supervision à l'inférence qui améliore l'estimation de profondeur monoculaire en fusionnant les modèles de fondation avec des modèles de diffusion 2D pour rééclairer et résynthétiser l'image, permettant ainsi des résultats de pointe sans nécessiter d'étiquettes.
Le papier présente VOIC, une nouvelle méthode de complétion sémantique de scènes 3D monocular qui améliore les performances en séparant explicitement l'apprentissage des régions visibles et des régions occluses grâce à une stratégie d'extraction de labels et un réseau à double décodeur interactif.
Ce papier présente un cadre d'apprentissage profond novateur et économe en calcul, baptisé Efficient Vision Mamba, qui combine des modèles d'état spatial sélectif à plusieurs têtes et un MLP léger pour réaliser une super-résolution IRM précise et efficace, surpassant les méthodes existantes tout en étant adapté à une intégration clinique.
Le papier présente DrivingGen, le premier benchmark complet pour les modèles mondiaux génératifs de conduite autonome, qui comble les lacunes des évaluations existantes en proposant un ensemble de données diversifié et une suite de métriques rigoureuses pour évaluer simultanément le réalisme visuel, la plausibilité des trajectoires, la cohérence temporelle et la contrôlabilité.
Cet article présente un cadre vision-langage léger et explicable en deux étapes, basé sur un encodeur Swin Transformer et des décodeurs de type T5, qui atteint des performances quasi parfaites dans la classification des maladies des cultures et la réponse aux questions visuelles (VQA) tout en offrant une interprétabilité des prédictions.
Ce papier présente R^4, un cadre agentic auto-améliorant qui décompose l'analyse d'images médicales en quatre agents coordonnés (routage, récupération, réflexion et réparation) pour générer des rapports et des localisations plus fiables et mieux ancrés sans nécessiter de fine-tuning par gradient.
Cette étude révèle que le prédicteur LAION-Aesthetics, utilisé pour entraîner des modèles de génération d'images, perpétue des biais culturels et de genre en privilégiant les perspectives occidentales et masculines, ce qui appelle à une évaluation esthétique plus pluraliste.
Ce papier présente S2DiT, un modèle de diffusion Transformer optimisé pour la génération de vidéos en flux continu sur mobile, qui allie haute fidélité et efficacité (plus de 10 FPS sur iPhone) grâce à une architecture « sandwich » innovante et un cadre de distillation avancé.
Ce papier présente ReViP, un cadre novateur pour les modèles Vision-Language-Action qui atténue les complétions fausses en rééquilibrant l'attention entre la vision et la proprioception grâce à des indices visuels conscients du progrès, tout en introduisant une nouvelle suite de benchmarks pour évaluer ce phénomène.
Ce papier présente ScenePilot-Bench, une nouvelle évaluation à grande échelle conçue pour mesurer les capacités des modèles vision-langage dans la conduite autonome en s'appuyant sur le vaste jeu de données ScenePilot-4K et une suite d'indicateurs multidimensionnels axés sur la sécurité.
Cet article propose une nouvelle méthode d'interaction spatiale-temporelle-fréquentielle guidée par la requête (QSTar), enrichie par un bloc de raisonnement contextuel (QCR), pour améliorer la compréhension audio-visuelle dans les tâches de réponse aux questions (AVQA) en intégrant plus efficacement les indices textuels et les caractéristiques fréquentielles du son.
Le papier présente MeanCache, un cadre d'accélération sans entraînement pour l'inférence Flow Matching qui remplace le cache de vitesse instantanée par une approche de vitesse moyenne utilisant des produits Jacobien-vecteur, permettant d'obtenir des accélérations allant jusqu'à 4,56 fois sur des modèles de pointe comme FLUX.1 tout en préservant la qualité de génération.