8477 articles
Le papier propose QuantSparse, un cadre unifié combinant quantification et sparsification de l'attention pour compresser efficacement les transformateurs de diffusion vidéo tout en préservant la qualité de génération grâce à des techniques innovantes de distillation et de reparamétrisation.
Le papier présente DualFlow, un cadre unifié et efficace basé sur le flux rectifié et l'augmentation par récupération (RAG) pour générer des mouvements 3D réalistes et synchronisés entre deux personnes, conditionnés par divers modalités telles que le texte, la musique et des séquences de mouvement antérieures.
L'article présente ELHPlan, un cadre novateur de planification à long horizon pour la collaboration multi-agents qui utilise des chaînes d'actions liées à des intentions pour équilibrer adaptabilité et efficacité, permettant d'atteindre des taux de réussite comparables aux méthodes de l'état de l'art tout en réduisant la consommation de tokens de 60 à 70 %.
Le papier présente PHASE-Net, un modèle d'apprentissage profond léger et théoriquement fondé sur les équations de Navier-Stokes pour la mesure non invasive du pouls par rPPG, qui surpasse les méthodes existantes en robustesse et en efficacité grâce à une architecture combinant un échangeur axial à coût nul, un filtre spatial adaptatif et un TCN à portes.
Ce travail présente LMOD+, une nouvelle base de données et un benchmark multimodaux à grande échelle en ophtalmologie, enrichis par rapport à LMOD, qui intègrent des annotations multi-granulaires pour évaluer les performances et les limites des grands modèles de langage multimodaux dans le diagnostic, le stadification et la détection des biais liés aux maladies oculaires menaçant la vision.
Ce papier propose une approche catégorique unifiée fondée sur la dualité pour simplifier considérablement les preuves des présentations des monades de codensité, en démontrant que la plupart des résultats connus découlent de ce cadre simple et en établissant de nouvelles présentations pour des monades comme celles des filtres et de l'espérance.
Cet article propose un système de localisation relative multi-robots (UGV-UAV) robuste et peu coûteux, combinant des données UWB et radar dans un cadre d'optimisation de graphes de pose, dont le code et les données expérimentales sont publics pour faciliter la reproduction et le benchmarking.
Ce papier présente XPPG-PCA, une méthode non supervisée et sans référence pour évaluer automatiquement la sévérité des troubles de la parole, qui surpasse ou égale les approches existantes en offrant une solution robuste et généralisable pour un usage clinique.
Cet article propose une fonction barrière de contrôle parabolique dynamique (DPCBF) qui, en adaptant sa frontière de sécurité à la distance et à la vitesse relative, surmonte les limitations de conservatisme des méthodes basées sur les cônes de collision pour permettre une navigation sûre et efficace de robots non holonomes dans des environnements dynamiques très encombrés.
Le papier présente REVEL, une nouvelle tâche de manipulation vidéo interactive en flux continu permettant de modifier n'importe quel élément à tout moment, et propose DragStream, une méthode sans entraînement qui corrige la dérive latente et les interférences contextuelles pour assurer une génération vidéo fluide et cohérente.
Cet article présente une approche de vérification locuteur de pointe utilisant le modèle w2v-BERT 2.0 avec des adaptateurs de couches et LoRA, qui atteint des performances record tout en réduisant sa taille de 80 % grâce à un élagage structuré guidé par la distillation de connaissances avec une dégradation minimale des performances.
Ce papier présente PAD-TRO, une nouvelle méthode d'optimisation de trajectoire par diffusion qui génère directement des séquences d'états et intègre un mécanisme de projection sans gradient pour garantir la faisabilité dynamique, surpassant ainsi les approches existantes en termes de taux de réussite et d'absence d'erreurs dynamiques dans des scénarios de navigation complexes.
Cette étude présente la première analyse des fuites de données par inférence de membres via les tokeniseurs de grands modèles de langage, démontrant leur vulnérabilité et proposant une défense adaptative pour atténuer ce risque de confidentialité négligé.
Cet article présente et valide un cadre robotique guidé par la vision qui intègre la reconstruction 3D, la planification de préhension ciblée et la modélisation vibratoire pour réaliser une pollinisation automatisée précise et sûre dans des environnements agricoles contrôlés.
Cet article propose une méthode de « polices de caractères variables différentiables » qui formalise mathématiquement le lien entre les paramètres de police et les graphiques vectoriels pour permettre l'optimisation par gradient et ainsi automatiser la conception et l'animation typographiques tout en préservant la lisibilité et l'esthétique.
Cet article propose EB-MBD, une méthode de diffusion basée sur un modèle qui intègre des fonctions barrières émergentes pour optimiser efficacement et sûrement des trajectoires dans des environnements fortement contraints, évitant ainsi la dégradation des performances et les coûts computationnels élevés des méthodes de projection traditionnelles.
Le papier présente AR-Drag, le premier modèle de diffusion vidéo autoregressif renforcé par apprentissage par renforcement, capable de générer des vidéos à partir d'images en temps réel avec un contrôle précis du mouvement tout en maintenant une haute fidélité visuelle et une faible latence.
Ce papier propose CDE, une méthode d'exploration en apprentissage par renforcement qui utilise un modèle vision-langage pré-entraîné pour générer des concepts visuels et les exploiter via une tâche de reconstruction comme récompense intrinsèque, permettant ainsi une exploration ciblée efficace dans des tâches de manipulation visuelle complexes, y compris dans le monde réel.
Cette étude examine comment les dynamiques de délibération et les protocoles d'interaction (synchrone ou séquentiel) influencent la révision des verdicts et l'alignement des valeurs de plusieurs grands modèles de langage lors de l'analyse de dilemmes moraux, révélant des différences significatives de flexibilité et de conformité entre les modèles.
Cet article propose un plugin léger et sans réentraînement nommé « Functional Head Identification and Class-Conditioned Rescaling » qui rééquilibre l'attention entre les couches perceptives et de raisonnement des modèles de raisonnement multimodaux pour réduire les hallucinations et améliorer la fiabilité sans modifier l'architecture.