3447 articles
Le papier présente SignSparK, un cadre d'apprentissage multilingue novateur qui utilise des repères temporels clés et un modèle de flux conditionnel pour générer des avatars de langue des signes 3D fluides et photoréalistes, surmontant ainsi les compromis entre précision linguistique et naturel du mouvement.
Le papier présente DiT4DiT, un modèle end-to-end couplant des transformateurs de diffusion vidéo et d'action pour améliorer l'apprentissage des politiques robotiques en exploitant la structure spatio-temporelle et la physique implicite des vidéos, ce qui permet d'atteindre des performances de pointe avec une efficacité d'échantillonnage bien supérieure.
Ce papier présente « Machinagogy », un système de tutorat IA fondé sur la reconnaissance hégélienne et la psychodynamique freudienne, dont la conception, l'évaluation et la documentation ont été réalisées en collaboration avec une IA selon une méthodologie réflexive appelée « scholarship de vibe », démontrant que des prompts enrichis par la reconnaissance améliorent significativement et universellement les performances des tuteurs.
Ce papier présente LCAMV, une méthode de reconstruction 3D haute précision pour les objets colorés qui corrige la aberration chromatique latérale et fusionne les données de phase des canaux RVB par estimation à variance minimale, permettant d'obtenir des résultats supérieurs sans matériel supplémentaire ni contraintes d'acquisition.
Ce papier présente SUBTA, un cadre de téléopération bimanuelle assistée qui combine l'estimation d'intentions, la planification de tâches par graphe de scène et des aides au mouvement contextuelles pour améliorer significativement la précision et l'expérience utilisateur lors d'assemblages structurés.
Ce papier présente WanderBench, le premier benchmark mondial de géolocalisation basé sur des panoramas navigables, et GeoAoT, un cadre d'inférence qui améliore la précision des modèles multimodaux en générant des plans d'action concrets plutôt que de simples chaînes de raisonnement textuelles.
Le système MoXaRt introduit une architecture en cascade pour les réalités étendues (XR) qui combine des indices audio et visuels afin de séparer en temps réel jusqu'à cinq sources sonores concurrentes, améliorant ainsi significativement l'intelligibilité de la parole et réduisant la charge cognitive des utilisateurs.
DepthCache est un cadre d'inférence sans entraînement qui accélère les modèles Vision-Language-Action en fusionnant de manière adaptative les tokens visuels guidés par la profondeur et la dynamique temporelle, réduisant ainsi la latence tout en préservant la précision des tâches robotiques.
Le papier présente CIPHER, une méthode sans entraînement qui supprime les hallucinations visuelles des modèles de langage-vision en projetant leurs états cachés hors d'un sous-espace caractéristique identifié grâce à un jeu de données de contre-factuels visuels.
Cet article propose un changement de paradigme de la vérification logicielle vers l'« herding » (pilotage), exploitant la « sparsité de l'influence » via un nouvel algorithme stochastique nommé EZR pour atteindre des objectifs complexes avec un nombre minimal de tests.
Ce papier présente StructDamage, un ensemble de données unifié et à grande échelle comprenant environ 78 093 images de neuf types de surfaces, conçu pour améliorer la robustesse et la généralisation des modèles d'apprentissage profond dans la détection automatisée des fissures et défauts structuraux.
Cet article propose un réseau neuronal auto-supervisé spatial pour l'apprentissage de pics en imagerie par spectrométrie de masse, ainsi qu'une nouvelle procédure d'évaluation basée sur des masques de segmentation experte, démontrant une performance supérieure aux méthodes actuelles sur plusieurs jeux de données publics.
Ce papier présente IMTBench, un nouveau benchmark multi-scénarios et cross-modaux composé de 2 500 échantillons réels, conçu pour évaluer de manière holistique la qualité de la traduction, la préservation du contexte visuel et l'alignement cross-modal dans la traduction de texte en image (IIMT).
En intégrant le secteur du calcul IA dans le modèle GCAM, cette étude démontre que la demande future d'électricité pour l'IA dépendra de l'équilibre entre les trajectoires d'efficacité et la croissance des revenus, révélant que les mécanismes de prix seuls sont insuffisants pour modérer la demande dans un scénario post-AGI.
Cet article propose une nouvelle méthode de défloutage d'images ultra-haute définition (UHD) basée sur un flot autorégressif avec contrainte mal conditionnée, qui décompose la restauration en un processus progressif de raffinement grossier à fin et utilise l'appariement de flux pour générer des détails fins tout en garantissant une stabilité numérique et une efficacité d'inférence.
Cet article propose un cadre de désentanglement sémantique guidé par la vision qui, en alignant les priors visuels et en utilisant un module de fusion hybride au sein d'un transformateur de diffusion, permet une génération d'images médicales hautement contrôlable et de haute qualité pour surmonter les limites des modèles texte-à-image actuels.
Le papier propose STEPH, une méthode efficace de fusion de modèles via des hyperréseaux et un mélange parcimonieux de vecteurs de tâches, qui améliore la prédiction du pronostic des cancers sur des images de lames entières en transférant des connaissances généralisables entre 13 types de cancers sans nécessiter d'entraînement conjoint à grande échelle.
Cet article présente le BinWalker, une plateforme robotique quadrupède équipée d'un bras manipulateur et d'un conteneur, conçue pour détecter, saisir et collecter automatiquement les déchets dans des environnements extérieurs difficiles d'accès, offrant ainsi une solution prometteuse pour automatiser le nettoyage des espaces publics.
Cette étude analyse un corpus de graphiques à l'échelle du mot dans des articles scientifiques pour proposer un cadre caractérisant leur positionnement, leur fonction communicative et leur représentation visuelle, tout en soulignant leur sous-utilisation actuelle et en explorant des pistes pour améliorer la communication scientifique.
Cet article présente un système d'électronique cutanée (e-skin) entièrement intégré et piloté par les événements, combinant une stratégie de balayage binaire dynamique pour une acquisition de données ultra-économe et un réseau de neurones à impulsions (SNN) implémenté sur FPGA, permettant une reconnaissance de chiffres manuscrits en temps réel avec une grande efficacité énergétique et une précision de 92,11 %.