10069 articles
Cette étude propose une stratégie de défense unique et efficace basée sur les réseaux antagonistes génératifs (GAN) pour protéger la classification des panneaux de signalisation contre les attaques par patch adverses, améliorant ainsi considérablement la précision et la sécurité des systèmes de conduite autonome en temps réel.
Ce papier présente LaGoVAD, un nouveau détecteur d'anomalies vidéo en monde ouvert guidé par le langage naturel qui s'adapte dynamiquement aux définitions variables des anomalies sous supervision faible, en s'appuyant sur un nouveau jeu de données pré-entraîné nommé PreVAD pour atteindre des performances de pointe.
Ce papier présente SwD, un cadre de distillation de modèles de diffusion qui améliore l'efficacité de l'échantillonnage grâce à une génération progressive et un objectif de distillation basé sur la divergence MMD, permettant d'atteindre des vitesses d'échantillonnage équivalentes à deux étapes complètes tout en surpassant les méthodes existantes.
Cet article présente le premier cadre complet pour l'estimation de pose humaine 2D différentiellement privée, combinant des méthodes de projection de gradients et de privatisation des caractéristiques pour atteindre un équilibre optimal entre confidentialité et précision sur le jeu de données MPII.
Ce papier présente ANSE, un cadre d'inférence qui sélectionne automatiquement les meilleurs bruits initiaux pour la génération de vidéos en quantifiant l'incertitude via l'attention du modèle, améliorant ainsi la qualité et la cohérence temporelle sans coût computationnel significatif.
Ce papier présente SABER, un cadre innovant générant des objets adversariaux 3D universels et spatialement cohérents placés dans l'environnement pour évaluer et exploiter les vulnérabilités des détecteurs d'objets 3D en vue aérienne (BEV) sans modifier les véhicules cibles.
Cet article propose l'Interaction Field Matching (IFM), une généralisation du champ électrostatique qui surmonte ses limitations en utilisant un champ d'interaction inspiré des interactions fortes entre quarks pour améliorer la génération et le transfert de données.
Cet article présente HSSBench, un benchmark multilingue de plus de 13 000 échantillons conçu pour évaluer et stimuler les capacités de raisonnement interdisciplinaire des modèles de langage multimodaux dans le domaine des sciences humaines et sociales, comblant ainsi une lacune majeure des évaluations actuelles axées sur les STEM.
Ce papier présente Frame Guidance, une méthode d'entraînement gratuit qui permet un contrôle précis au niveau des images dans la génération de vidéos par diffusion en utilisant des signaux tels que des images clés ou des croquis, tout en optimisant l'utilisation de la mémoire et en assurant une cohérence globale sans nécessiter de fine-tuning.
Le papier présente Perception-R1, une méthode qui améliore les capacités de raisonnement multimodal des grands modèles de langage en introduisant une récompense de perception visuelle basée sur la cohérence avec des annotations textuelles, comblant ainsi une lacune des approches RLVR existantes.
Le papier présente StreamSplat, un cadre entièrement feed-forward capable de reconstruire instantanément des scènes 3D dynamiques à partir de flux vidéo non calibrés en temps réel grâce à trois innovations techniques clés, offrant ainsi une accélération de 1200 fois par rapport aux méthodes d'optimisation traditionnelles.
Ce papier présente ECAD, une méthode basée sur un algorithme génétique qui optimise dynamiquement les stratégies de cache pour accélérer l'inférence des modèles de diffusion sans modifier leurs paramètres, tout en garantissant une généralisation efficace à différentes architectures et résolutions.
Cette étude démontre que l'utilisation d'images générées par des modèles texte-vers-image permet de débloquer des priors visuels latents pour améliorer le raisonnement centré sur le texte, à condition que l'alignement sémantique et la fidélité de génération soient optimaux.
Le papier présente SceneStreamer, un cadre unifié de génération autoregressive qui modélise les scénarios de trafic continus comme une séquence de tokens pour permettre une simulation dynamique et à long horizon, essentielle pour entraîner et évaluer des systèmes de conduite autonome plus robustes.
Cet article propose un nouveau planificateur de guidance par recuit qui ajuste dynamiquement l'échelle de guidance dans les modèles de diffusion pour améliorer la qualité des images et leur alignement avec le texte, sans coût supplémentaire en mémoire ni en activations.
Cet article présente MC-INR, un cadre novateur basé sur l'apprentissage par méta-entraînement et le regroupement dynamique pour encoder efficacement des données de simulation scientifique multivariées sur des grilles non structurées, surmontant ainsi les limitations des représentations neuronales implicites existantes.
Le papier présente CoBELa, un cadre basé sur l'énergie sans décodeur qui améliore la transparence de la génération en conditionnant entièrement la synthèse via des fonctions d'énergie par concept, permettant ainsi des interventions compositionnelles fiables et une interprétation post-hoc sans nécessiter de réentraînement du générateur.
Le papier présente InstructVLA, un modèle vision-langage-action qui, grâce à un nouveau paradigme d'ajustement par instructions (VLA-IT) et à une adaptation par mélange d'experts, préserve les capacités de raisonnement des grands modèles tout en atteignant des performances de manipulation de pointe et une forte généralisation sur des tâches complexes.
Ce papier présente DMTrack, une nouvelle architecture d'adaptateurs duaux pour le suivi multimodal spatio-temporel qui, grâce à des modules d'adaptation modale innovants, atteint des performances de pointe avec seulement 0,93 million de paramètres entraînables.
Cet article propose un cadre de super-résolution 3D en zéro-shot pour la tomodensitométrie (CT) qui intègre des priors de projection 2D générés par diffusion et une reconstruction volumique basée sur des gaussiennes signées avec un mélange d'opacité négatif, permettant de restaurer des détails fins sans données appariées.