2630 articles
Ce papier présente MDTrack, un cadre novateur pour le suivi d'objets multimodaux qui améliore les performances grâce à une fusion adaptative par experts spécialisés et une propagation temporelle découplée via des modèles d'espace d'état, surpassant ainsi les méthodes existantes sur plusieurs benchmarks.
Le papier présente DenoiseSplat, une méthode de splatting gaussien 3D feed-forward capable de reconstruire des scènes à partir d'images multivues bruitées en s'entraînant uniquement sur des rendus 2D propres, surpassant ainsi les approches existantes sur un nouveau benchmark bruité dérivé de RE10K.
Le papier présente SPR, un cadre vision-langage-action progressif qui améliore la robustesse de la manipulation robotique en ancrant les instructions dans des sous-objectifs spatiaux et en permettant une récupération automatique des échecs via un cycle de rétroaction, surpassant ainsi les méthodes de référence sur les benchmarks LIBERO.
L'article présente IntroSVG, un cadre génératif introspectif qui améliore la création d'images SVG à partir de texte en bouclant un modèle unique agissant à la fois comme générateur et critique pour intégrer un feedback visuel explicite et affiner les résultats via un processus itératif de génération, d'évaluation et de correction.
L'article présente CLoE, un cadre d'apprentissage par consistance des experts qui améliore la segmentation des images médicales multimodales en cas de modalités manquantes en assurant l'accord entre les experts aux niveaux global et régional, tout en recalibrant dynamiquement les caractéristiques selon leur fiabilité.
Le papier présente NLiPsCalib, un cadre de calibration efficace et physiquement cohérent pour les capteurs visuotactiles courbes, qui utilise la stéréophotométrie à source lumineuse proche (NLiPs) pour permettre une reconstruction 3D haute fidélité via une procédure de calibration simplifiée avec des objets quotidiens.
Ce papier présente SpaceSense-Bench, un benchmark multi-modal à grande échelle généré par simulation haute fidélité pour l'apprentissage de la perception et de l'estimation de pose des engins spatiaux, mettant en évidence l'importance cruciale de la diversité des données pour surmonter les limitations actuelles des méthodes face à de nouvelles cibles et à des composants de petite taille.
Ce papier présente OddGridBench, un benchmark contrôlé révélant les lacunes des modèles de langage multimodaux dans la détection de discrepancies visuelles fines, et propose OddGrid-GRPO, un cadre d'apprentissage par renforcement qui améliore significativement cette capacité grâce à un curriculum et des récompenses spatiales.
Ce papier présente le benchmark STAR, un cadre d'évaluation multi-agents en environnement zéro somme qui révèle que la supériorité stratégique des LLMs dépend d'un équilibre critique entre la profondeur du raisonnement et la rapidité d'exécution, les modèles plus rapides surpassant souvent les modèles de raisonnement dans les scénarios en temps réel.
Cet article propose la calibration spectrale prédictive (PSC), un cadre sans source qui améliore l'adaptation à l'heure de test pour la régression d'images en alignant les caractéristiques cibles sur le support prédictif source et en calibrant les résidus spectraux dans le complément orthogonal, surpassant ainsi les méthodes existantes sous des décalages de distribution sévères.
Les auteurs proposent un cadre de stéganographie d'images robuste et prouvément sûr basé sur une optimisation itérative dans l'espace latent, qui améliore significativement la précision d'extraction du message sous diverses contraintes de compression tout en préservant la sécurité théorique du système.
L'article présente EPPINN, un cadre d'apprentissage profond probabilitaire intégrant des contraintes physiques pour estimer les paramètres de perfusion en imagerie TDM cérébrale avec quantification de l'incertitude, surpassant les méthodes existantes en précision et en fiabilité pour le diagnostic des AVC ischémiques.
Le papier propose M3GCLR, un cadre d'apprentissage contrastif basé sur la théorie des jeux qui résout les limites des méthodes existantes en modélisant les écarts de vue et les perturbations d'augmentation via un jeu mini-max infini, permettant ainsi d'atteindre des performances de pointe en reconnaissance d'actions squelettiques auto-supervisée.
Ce papier propose MIL-PF, un cadre d'apprentissage multiple-instance sur des caractéristiques précalculées qui combine des encodeurs fondationnels figés avec un module d'agrégation léger pour réaliser une classification mammographique performante et économe en calculs, tout en gérant efficacement les images haute résolution et le manque d'annotations.
Le papier présente SinGeo, un cadre innovant utilisant un apprentissage par curriculum et une architecture à double discrimination pour permettre à un modèle unique d'atteindre des performances robustes et supérieures en géolocalisation croisée (CVGL) sur des champs de vision variés, surpassant ainsi les méthodes existantes.
L'article présente EventVGGT, un cadre novateur qui améliore l'estimation de profondeur basée sur les événements en distillant des priors spatio-temporels et géométriques du modèle VGGT via une stratégie de distillation à trois niveaux, surmontant ainsi les limitations des méthodes précédentes qui négligent la continuité temporelle des données événementielles.
Le papier présente MIDAS, un cadre de stéganographie sans entraînement basé sur la diffusion qui permet l'insertion de multiples images avec un contrôle d'accès spécifique à l'utilisateur via une fusion au niveau latent, surpassant les méthodes existantes en termes de qualité, de robustesse et de résistance à la stéganalyse.
Ce rapport présente le défi ICDAR 2025 sur la traduction automatique de documents image, qui a réuni 69 équipes pour évaluer des systèmes end-to-end capables de gérer des mises en page complexes via deux pistes (avec et sans OCR) et deux catégories de modèles, démontrant ainsi le potentiel prometteur des approches à grande échelle pour ce domaine.
Ce papier présente YOLO-NAS-Bench, le premier benchmark de substitution pour la recherche d'architecture neuronale des détecteurs YOLO, qui utilise un mécanisme d'auto-évolution pour affiner un prédicteur capable d'identifier des architectures surpassant les versions officielles de YOLOv8 à YOLO12.
Cet article présente le modèle de diffusion entièrement convolutif (FCDM), une architecture inspirée de ConvNeXt qui offre une alternative hautement efficace et compétitive aux modèles basés sur les Transformers, permettant un entraînement performant avec moins de ressources computationnelles et de matériel.