MVAT est un cadre de détection d'objets 3D en faible supervision qui exploite des annotations 2D pour générer des boîtes 3D précises. En utilisant des données multi-vues temporelles, il agrège des nuages de points centrés sur les objets pour créer des représentations 3D denses et complètes. Le modèle utilise une approche par distillation enseignant-élève pour produire des pseudo-labels de haute qualité, réduisant ainsi l'écart avec les méthodes supervisées sans nécessiter d'annotations 3D.

DIOD est un projet de recherche en vision par ordinateur qui propose une méthode innovante pour découvrir et segmenter des objets mobiles dans des vidéos. Basé sur des techniques d'apprentissage auto-supervisé et de distillation de modèles, il permet d'améliorer la précision de détection sans nécessiter d'annotations manuelles. Le projet est conçu pour être utilisé dans des applications nécessitant une analyse automatique d'images ou de séquences vidéo.

XMOD est un cadre de travail innovant conçu pour la découverte multi-objets en 2D et 3D à partir de mouvements 2D. Il exploite des techniques avancées de vision par ordinateur pour localiser des objets sans annotations humaines, en combinant des données RGB et des nuages de points. Le projet propose une approche de distillation croisée entre modalités pour améliorer la précision des modèles, avec des applications dans des domaines comme la robotique, la conduite autonome et l'analyse d'images médicales.