2775 articles
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.
Le papier présente RiO-DETR, le premier détecteur de type Transformer en temps réel pour la détection d'objets orientés, qui résout les défis spécifiques liés à l'orientation grâce à des innovations architecturales comme l'estimation d'angle pilotée par le contenu et un raffinement périodique découplé, établissant ainsi un nouveau compromis vitesse-précision sur plusieurs benchmarks.
Ce papier présente PromptDLA, un cadre d'analyse de mise en page de documents sensible au domaine qui intègre des connaissances descriptives via un générateur d'invocations personnalisé pour améliorer la généralisation et atteindre les performances les plus avancées sur plusieurs ensembles de données publics.
Le papier présente CIGPose, un cadre d'estimation de pose corporelle entière qui utilise l'intervention causale et les réseaux de neurones graphiques pour éliminer les corrélations spurious liées au contexte visuel et améliorer la robustesse des prédictions anatomiques.
Le papier présente MetaDAT, une méthode de prédiction de trajectoire qui améliore la généralisation face aux changements de distribution en combinant un pré-entraînement par méta-apprentissage pour une adaptation rapide et un mécanisme de mise à jour du modèle à l'inférence qui s'adapte dynamiquement aux données et aux échantillons difficiles.
Cet article propose un cadre de prévision de mouvement en monde ouvert qui, en s'appuyant sur une stratégie d'apprentissage incrémental de classe combinant étiquetage pseudo et échantillonnage de replay, permet aux véhicules autonomes d'anticiper les trajectoires d'objets directement à partir d'images tout en évitant l'oubli catastrophique et en s'adaptant continuellement à de nouvelles classes d'objets.
Ce papier présente GIIM, une nouvelle approche basée sur les graphes qui améliore le diagnostic médical multi-vues en modélisant simultanément les dépendances intra- et inter-vues tout en garantissant une robustesse face aux données manquantes.
Ce papier présente OncoAgent, un agent IA novateur capable de générer en zéro-shot et sans réentraînement des volumes cibles tridimensionnels pour la radiothérapie en convertissant directement des lignes directrices cliniques textuelles, surpassant ainsi les modèles supervisés traditionnels en termes de conformité aux protocoles et d'acceptabilité clinique.
Le papier présente EvoDriveVLA, un cadre novateur de distillation collaborative perception-planification qui améliore les modèles Vision-Language-Action pour la conduite autonome en intégrant des contraintes perceptuelles auto-ancrées et une optimisation de trajectoire guidée par un oracle pour surmonter les problèmes de dégradation de la perception et d'instabilité à long terme.
Le papier présente TopoOR, une nouvelle représentation topologique unifiée qui modélise les salles d'opération chirurgicales comme des structures d'ordre supérieur pour préserver les relations complexes et multimodales, surpassant ainsi les méthodes existantes dans des tâches critiques comme la détection de brèches de stérilité et la prédiction des phases robotiques.
Cet article présente le Corpus Patrologia Graeca, la première ressource ouverte à grande échelle d'OCR et d'annotations linguistiques pour les éditions grecques du XIXe siècle, obtenue grâce à un pipeline spécialisé qui atteint des taux d'erreur record sur cette typographie dégradée et fournit six millions de tokens annotés pour la recherche philologique et l'entraînement de modèles.
Ce papier présente OmniEarth, un nouveau benchmark complet évaluant les modèles vision-langage dans des scénarios d'observation de la Terre à travers 28 tâches de perception, de raisonnement et de robustesse, révélant ainsi les lacunes actuelles des modèles existants face à la complexité géospatiale.
Le papier présente PruneSID, une méthode sans entraînement pour la compression de tokens visuels dans les modèles vision-langage qui, en combinant une analyse des composantes sémantiques principales et une suppression non maximale intra-groupe, atteint des performances de pointe tout en réduisant drastiquement le nombre de tokens et en accélérant le préremplissage.
Cet article propose un cadre novateur de génération d'images à partir de croquis, basé sur une architecture en deux étapes intégrant un autoencodeur à auto-attention et une fusion préservant les coordonnées, qui surpasse les modèles actuels en fidélité et en cohérence spatiale sur divers domaines.
Ce papier propose la distillation diagonale, une méthode asymétrique qui optimise la génération de vidéos en flux continu via des modèles de diffusion en exploitant les dépendances temporelles et en alignant les prédictions de bruit pour réduire la latence tout en préservant la cohérence du mouvement.
L'article présente EvoPrompt, un cadre novateur qui assure une adaptation stable et sans oubli des modèles vision-langage pré-entraînés vers des tâches à peu d'exemples en guidant l'évolution des prompts via un projecteur partagé, une stratégie de mise à jour hiérarchique et une régularisation géométrique des caractéristiques.
Le papier propose SurgFed, un cadre d'apprentissage fédéré multi-tâches guidé par le langage qui améliore la segmentation et l'estimation de profondeur dans les vidéos chirurgicales en surmontant les défis de la diversité tissulaire et des tâches grâce à la sélection de canaux et à une agrégation hyper-personnalisée.