8833 articles
Ce papier présente UniLongGen, une stratégie d'inférence sans entraînement qui améliore la fiabilité de la génération d'images intercalées à long terme en curant dynamiquement le contexte pour éliminer les signaux visuels polluants qui dégradent la qualité de la synthèse.
Le papier présente CONSTANT, une nouvelle méthode de génération d'écriture manuscrite en un seul coup d'essai basée sur les modèles de diffusion, qui améliore la qualité et l'adaptation aux styles grâce à une quantification consciente du style et à une amélioration par contraste de patchs.
Cette étude démontre que la détection du Parkinson via la parole anonymisée est viable en utilisant la méthode kNN-VC, qui préserve les informations pathologiques essentielles tout en garantissant la confidentialité, contrairement à la méthode STT-TTS qui altère trop les données diagnostiques.
Cet article présente un cadre de « poisoning » ciblé pour les modèles de synthèse vocale zéro-shot, visant à empêcher la génération de voix spécifiques tout en préservant l'utilité du modèle, et met en évidence des limites d'évolutivité lorsque le nombre de voix à oublier augmente.
Le papier présente ReconDrive, un cadre prédictif en une seule passe qui améliore la reconstruction 4D de scènes de conduite autonome en adaptant le modèle de fondation VGGT via des têtes de prédiction hybrides et une composition statique-dynamique, offrant ainsi une qualité compétitive avec les méthodes d'optimisation itérative mais avec une vitesse de traitement bien supérieure.
Ce papier propose un nouvel algorithme récursif symétrique et déterministe pour résoudre les jeux à moyenne de gain.
Le papier présente AgentRaft, un cadre automatisé innovant qui combine l'analyse de programme et le raisonnement sémantique pour détecter efficacement les risques de surexposition des données dans les agents LLM en modélisant les interactions entre outils, en synthétisant des prompts de test et en appliquant un suivi de contamination runtime conforme aux réglementations sur la protection des données.
Cet article propose un cadre d'inférence active pour la reconnaissance de micro-gestes, combinant un échantillonnage temporel guidé par l'énergie libre attendue et un apprentissage adaptatif incertain, afin de surmonter les défis de variabilité inter-sujet et de bruit dans des conditions à faible échantillonnage.
Ce papier présente StageFinder, un cadre d'apprentissage temporel sur graphes qui fusionne des données de provenance hôte et réseau pour estimer avec précision et stabilité les étapes d'attaques APT en s'alignant sur le framework MITRE ATT&CK.
Le papier présente PureCC, une méthode d'apprentissage pur pour la personnalisation de concepts text-to-image qui, grâce à un objectif d'apprentissage découplé et une pipeline d'entraînement à double branche, permet de générer des concepts personnalisés de haute fidélité tout en préservant les capacités et le comportement d'origine du modèle.
Le papier présente Brain-WM, un modèle de monde pionnier pour le glioblastome qui unifie la prédiction des traitements et la génération d'IRM futures via une architecture novatrice à mélange de transformateurs, permettant ainsi de simuler avec précision la dynamique co-évolutive entre la tumeur et les interventions thérapeutiques pour optimiser les soins cliniques.
Le papier présente SiamGM, un réseau de suivi d'objets par satellite en temps réel qui surpasse les méthodes de l'état de l'art grâce à une attention graphique inter-cadres et une optimisation guidée par le mouvement, tout en maintenant un débit de 130 images par seconde sans surcoût computationnel.
Ce papier présente un modèle efficace de compréhension de scènes RGB-D basé sur l'apprentissage adaptatif multi-tâches et la guidance de caractéristiques interdimensionnelles, qui surpasse les méthodes existantes en précision et en vitesse sur plusieurs jeux de données grâce à une fusion améliorée et des mécanismes d'attention spécifiques.
Cet article présente une méthode d'apprentissage par imitation approximative permettant à un quadrotor de voler à grande vitesse dans des environnements encombrés en utilisant uniquement une caméra événementielle, en contournant le coût computationnel de la simulation d'événements grâce à un apprentissage en ligne basé sur des états simulés légers.
Le papier présente FeasibleCap, un système de collecte de démonstrations robotiques « gripper-in-hand » qui fournit un guidage d'exécutabilité en temps réel via des superpositions visuelles et des retours haptiques, permettant aux démonstrateurs de corriger immédiatement les trajectoires inaccessibles sans nécessiter de matériel robotique ni de modèles appris.
Cet article présente trois algorithmes de dead reckoning pour chiens (DDR) utilisant uniquement des capteurs inertiels et validés sur des données réelles et robotiques, démontrant que les méthodes assistées par réseaux de neurones surpassent les approches basées sur des modèles pour atteindre une précision de localisation supérieure à 90 %.
L'article présente AiRWeb, un prototype de navigation web utilisant la réalité augmentée qui permet aux utilisateurs de transférer et d'organiser librement du contenu hors de l'écran de leur téléphone dans l'espace environnant, une approche jugée apprenable et utilisable bien que des défis de conception subsistent concernant l'activation du mode de transfert.
Le papier propose 3DGS-HPC, un cadre innovant qui améliore la reconstruction 3D en éliminant les distracteurs transitoires grâce à une classification hybride par patchs combinant cohérence spatiale locale et métriques photométriques et perceptuelles.
Cet article présente des algorithmes déterministes efficaces pour factoriser des polynômes clairsemés à degré individuel borné, établissant de nouvelles bornes structurelles et améliorant les complexités temporelles des méthodes existantes, y compris pour les produits de tels polynômes et sur des corps de caractéristique arbitraire.
Cet article propose une méthode d'apprentissage efficace pour la simplification des nuages de points LiDAR, combinant un module d'incorporation de caractéristiques et un échantillonnage basé sur l'attention, qui surpasse les approches existantes en offrant un compromis optimal entre vitesse de traitement et précision pour la détection et la classification d'objets.