8731 articles
Cet article présente LibriTTS-VI, le premier corpus public pour le contrôle des impressions vocales, ainsi que de nouvelles méthodes de désentanglement et sans référence qui améliorent significativement la précision du contrôle numérique de ces impressions en atténuant les fuites d'identité du locuteur.
Cet article propose un cadre d'apprentissage de compétences robotiques basé sur des graphes de scène et l'apprentissage par imitation, qui améliore la robustesse et la généralisation compositionnelle des robots généralistes en se concentrant sur les objets et relations pertinents pour la tâche.
Cet article présente DroFiT, un réseau léger d'amélioration de la parole conçu pour les UAV qui combine une attention fréquentielle de type Transformer et une architecture hybride pour supprimer efficacement le bruit des drones en temps réel sur des plateformes aux ressources limitées.
Cet article présente un système de navigation visuelle « teach-and-repeat » basé sur une caméra événementielle qui utilise la corrélation croisée dans le domaine fréquentiel pour atteindre une latence de traitement ultra-faible de 2,88 ms, permettant une navigation autonome précise de plus de 3000 mètres dans diverses conditions lumineuses.
Cette étude démontre que les benchmarks actuels de compréhension vidéo sous-estiment l'importance de l'audio en ne testant que des indices visuels, et propose une architecture évolutive intégrant un encodeur de parole qui améliore significativement les performances sur les tâches nécessitant une véritable compréhension multimodale.
Cet article présente FINS, un cadre léger capable de reconstruire des surfaces implicites et des champs de distance signée à partir d'une seule image en quelques secondes, surpassant les méthodes existantes en rapidité et en précision pour des applications robotiques comme la génération de mouvement.
Le papier présente RetoVLA, une architecture qui réutilise des jetons d'inscription (Register Tokens) pour injecter un contexte spatial global dans les modèles Vision-Language-Action, permettant ainsi d'améliorer significativement les performances de manipulation robotique sans augmenter le nombre de paramètres.
Ce papier présente QuantVGGT, le premier cadre de quantisation post-entraînement pour les transformers VGGT, qui surmonte les défis de distribution à queue lourde et d'instabilité d'échantillonnage grâce à une quantification fine lissée en double et un échantillonnage diversifié filtré par bruit, permettant une réduction significative de la mémoire et une accélération matérielle tout en préservant une précision de reconstruction supérieure à 98 %.
Cet article présente un cadre de docking autonome entre un drone et un robot quadrupède dans des environnements complexes, utilisant un apprentissage par renforcement pour stabiliser le quadrupède et une stratégie de contrôle à trois phases pour guider le drone, permettant ainsi des atterrissages réussis sur des terrains accidentés comme des escaliers et des pentes raides.
Le papier présente MATR, un Transformer conscient du mouvement qui améliore le suivi multi-objets en prédisant explicitement les déplacements pour mettre à jour les requêtes de suivi à l'avance, atteignant ainsi des performances de pointe sur plusieurs jeux de données sans nécessiter de données externes.
L'article présente GS-2M, un cadre d'optimisation matériellement conscient basé sur le 3D Gaussian Splatting qui permet une reconstruction de maillages haute fidélité, y compris sur des surfaces réfléchissantes, en évitant l'utilisation de composants neuronaux complexes grâce à une nouvelle stratégie de supervision de la rugosité.
Cet article propose un cadre théorique fondé sur la persuasion bayésienne pour évaluer et entraîner des modèles de langage via l'apprentissage par renforcement, démontrant ainsi leur capacité à générer des gains persuasifs significatifs et à adopter des stratégies sophistiquées.
Les auteurs proposent un cadre de locomotion quadrupède sûr et adaptable, baptisé SAC-Loco, qui intègre une politique d'apprentissage par renforcement pour un comportement compliant ajustable sans capteurs de force et un critique de sécurité appris pour coordonner la locomotion fluide et la récupération rapide face aux perturbations externes.
Ce papier présente FAMDA, un cadre d'adaptation de domaine non supervisé qui exploite les modèles de fondation visuels comme enseignants dans une approche d'auto-entraînement pour générer des étiquettes pseudo de haute qualité, permettant ainsi d'entraîner un réseau étudiant unique, léger et performant pour la prédiction dense multi-tâches dans des environnements robotiques contraints.
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.