10079 articles
Cet article présente TS-1M, un jeu de données mondial de plus d'un million d'images et un benchmark diagnostique pour l'analyse des limites des modèles de reconnaissance de panneaux de signalisation face aux variations régionales et aux classes rares, validé par des expériences sur route autonome.
Cet article propose un cadre de détection d'objets interprétable et digne de confiance pour la perception des véhicules autonomes, qui combine YOLOv10, des réseaux de Kolmogorov-Arnold pour visualiser la fiabilité des prédictions dans des conditions dégradées, et un modèle fondationnel vision-langage pour générer des descriptions multimodales.
Ce papier présente HUydra, une méthode générative innovante qui synthétise des scanners CT pulmonaires complets en modélisant séparément des intervalles de valeurs HU spécifiques pour surmonter la rareté des données médicales, tout en améliorant la fidélité visuelle et en réduisant les coûts computationnels par rapport aux approches conventionnelles.
Le papier présente MLLM-HWSI, un modèle de langage multimodal hiérarchique qui aligne les caractéristiques visuelles des images de lames entières avec le langage pathologique à quatre échelles distinctes (cellule, patch, région et lame entière) pour améliorer la compréhension globale et le raisonnement interprétable en pathologie computationnelle.
Le papier présente PolarAPP, un cadre novateur qui optimise conjointement le dématriçage des images polarimétriques et les tâches en aval via un alignement sémantique et des contraintes d'imagerie équivalente, surpassant ainsi les méthodes existantes en qualité de reconstruction et en performance des applications.
Cet article propose un cadre d'apprentissage par renforcement léger pour les modèles d'images autoregressifs, intégrant une récompense de niveau distribution (LOO-FID) et des récompenses de niveau instance pour optimiser simultanément la qualité et la diversité des échantillons tout en évitant l'effondrement des modes et en supprimant le besoin d'une guidance sans classeur.
Ce rapport technique présente un système de capture multi-vues audio-vidéo synchronisé qui comble le manque d'outils existants pour l'étude des interactions conversationnelles en traitant l'audio et la vidéo comme des signaux de première classe sous une architecture temporelle unifiée, permettant ainsi des enregistrements répétables à grande échelle et une analyse fine des comportements de conversation.
Cet article propose une méthode nommée NeuroSeg qui adapte les représentations visuelles auto-supervisées 2D de DINOv3 à la segmentation neuronale 3D via une stratégie d'inflation de filtres et une perte squelettique consciente de la topologie, permettant d'améliorer significativement la précision de la reconstruction neuronale sur plusieurs jeux de données biomédicaux.
L'article présente AgentFoX, un cadre d'IA générative piloté par un modèle de langage qui fusionne dynamiquement des preuves d'experts et fournit des rapports forensiques explicables pour détecter de manière fiable les images synthétiques.
Cette étude démontre la faisabilité d'une segmentation zéro-shot de volumes CT 3D en adaptant le modèle SAM2, initialement conçu pour les images naturelles et la vidéo, grâce à des modifications d'inférence qui traitent les tranches CT comme des séquences ordonnées pour compenser son manque de conscience volumétrique intrinsèque.