3575 Arbeiten
Die Arbeit stellt CountFormer vor, ein exemplarfreies Framework, das durch den Einsatz des selbstüberwachten Vision-Modells DINOv2 die strukturelle Konsistenz beim Zählen unbekannter Objekte verbessert und zeigt, dass die Qualität der Repräsentation entscheidend für die Leistungsfähigkeit in diesem Bereich ist.
Die Arbeit stellt SAGE vor, eine Zero-Shot-Methode für strukturbewusste generative Videoübergänge, die durch die Kombination von struktureller Führung und Generierung nahtlose Übergänge zwischen inhaltlich unterschiedlichen Clips ermöglicht und dabei bestehende Methoden in Quantität und Nutzerakzeptanz übertrifft.
Die vorgestellte Arbeit schlägt einen forensischen Ansatz zur Erkennung von KI-generierten Bildern vor, der auf der Analyse des „Diffusion Snap-Back"-Verhaltens basiert, bei dem die Rekonstruktion eines Bildes durch ein Diffusionsmodell genutzt wird, um mit einer hohen Genauigkeit von 0,993 AUROC zwischen echten und synthetischen Bildern zu unterscheiden.
Die Studie stellt „Jr. AI Scientist" als fortschrittliches autonomes System vor, das menschliche Forschungsabläufe nachahmt, um neue wissenschaftliche Beiträge zu generieren, und bewertet dabei sowohl dessen Leistungsfähigkeit als auch die damit verbundenen Risiken und Grenzen für die Zukunft der KI-gestützten Wissenschaft.
Die Arbeit stellt MUGSQA vor, eine neue Methode zur subjektiven Qualitätsbewertung von Gaussian Splatting-Rekonstruktionen, die auf multiplen Unsicherheiten basiert und ein entsprechendes Datenset sowie Benchmarks zur Evaluierung von Rekonstruktionsmethoden und Qualitätsmetriken bereitstellt.
Die Arbeit stellt CountOCC vor, ein Framework für das amodale Zählen in offenen Umgebungen, das durch hierarchische multimodale Führung und einen visuellen Äquivalenz-Objektiv die durch Verdeckung verursachten Fehlerzustände überwindet und damit neue State-of-the-Art-Ergebnisse auf verdeckungsreichen Datensätzen erzielt.
Die vorgestellte Arbeit entwickelt eine neuartige Angriffsmethode für hyperbolische Netzwerke, die durch die gezielte Manipulation der Winkelkomponente des Gradienten im Tangentialraum effizientere und geometrisch konsistente Adversarial Examples erzeugt als herkömmliche Verfahren.
Der Artikel stellt Video2Layout vor, ein Framework, das mithilfe von kontinuierlichen Objektgrenzkoordinaten und einem zweistufigen Feinabstimmungsprozess metrisch fundierte räumliche Layouts aus Videos rekonstruiert, um die Fähigkeiten von Multimodalen Large Language Models zur räumlichen推理 im Vergleich zu diskretisierten Gitterkarten signifikant zu verbessern.
Diese Arbeit stellt das Multi-Order Matching Network (MOMNet) vor, ein neuartiges, ausrichtungsunabhängiges Framework, das durch eine mehrstufige Abgleich- und Aggregationsstrategie robuste und präzise Tiefen-Super-Resolution auch bei fehlender räumlicher Abstimmung zwischen RGB- und Tiefendaten ermöglicht.
Die Arbeit stellt DualMindVLM vor, ein visuelles Sprachmodell, das durch eine adaptive Dual-System-Architektur und GRPO-basiertes Training die natürliche Tendenz von Modellen zu unterschiedlich langen Antworten nutzt, um bei komplexen Aufgaben tiefgründiges Nachdenken mit effizienten, schnellen Reaktionen bei einfachen Fragen zu verbinden und dabei sowohl die Leistung als auch die Token-Effizienz zu maximieren.
Die vorgestellte Arbeit stellt den Radiative-Structured Neural Operator (RSNO) vor, einen neuartigen Ansatz zur kontinuierlichen spektralen Super-Auflösung, der physikalische Strahlungsprinzipien und eine mehrstufige Architektur nutzt, um realistischere hyperspektrale Bilder aus multispektralen Beobachtungen zu rekonstruieren und dabei Farbverzerrungen zu minimieren.
Der Artikel stellt UnfoldLDM vor, ein Deep-Unfolding-Framework, das durch die Integration eines latenten Diffusionsmodells und spezieller Module zur Schätzung von Degradationen sowie zur Wiederherstellung von Hochfrequenzdetails Blind Image Restoration verbessert.
Diese Arbeit stellt ein stabiles, Echtzeit-Tracking-System für Marine-Roboter vor, das mithilfe eines Schwarmes von Drohnen, visueller Erkennung, GNSS-Triangulation und eines erweiterten Kalman-Filters die Positionsbestimmung unter der Wasseroberfläche ermöglicht, wo GNSS-Signale nicht verfügbar sind.
Die Arbeit stellt Yo'City vor, ein neuartiges agentic Framework, das mithilfe von Large Language Models eine personalisierte, hierarchisch geplante und unendlich erweiterbare Generierung realistischer 3D-Stadtlandschaften ermöglicht und dabei bestehende Methoden in allen Bewertungskriterien übertrifft.
Die Arbeit stellt eine neue Methode vor, die durch gezielte anisotrope Rauschinjektion im entkoppelten latenten Raum die Abhängigkeit von Shortcut-Merkmalen reduziert und so die Generalisierungsfähigkeit auf Out-of-Distribution-Daten verbessert, ohne auf Shortcut-Labels oder widersprüchliche Trainingsbeispiele angewiesen zu sein.
Die Studie stellt ForamDeepSlice vor, ein hochpräzises Deep-Learning-Framework, das auf einem Ensemble von CNN-Architekturen basiert und eine Genauigkeit von 95,64 % bei der automatisierten Klassifizierung von Foraminiferen-Arten aus 2D-Mikro-CT-Schnitten erreicht, wodurch ein neuer Benchmark für die KI-gestützte mikropaläontologische Identifizierung gesetzt wird.
Die Arbeit stellt S2AM3D vor, ein skalierbares Verfahren zur Partsegmentierung von 3D-Punktwolken, das durch die Kombination von 2D-Segmentierungsprioritäten mit 3D-konsistentem Lernen und einem neuen großen Datensatz robuste und granularitätssteuerbare Ergebnisse erzielt.
HiconAgent ist ein GUI-Agent, der durch History Context-aware Policy Optimization (HCPO) mit dynamischer Kontextauswahl und ankergeführter Historienkomprimierung historische Informationen effizient nutzt und dabei trotz geringerer Modellgröße die Leistung führender Modelle übertrifft.
Die Arbeit stellt MAViD vor, ein multimodales Framework mit einer Conductor-Creator-Architektur, das durch die Kombination von autoregressiven und Diffusionsmodellen sowie einem neuartigen Fusionsmodul realistische, langandauernde und multimodal konsistente Audio-Visual-Dialoge versteht und generiert.
Diese Arbeit identifiziert das Phänomen des „Informationshorizonts", bei dem visuelle Token in tieferen Schichten von Vision Large Language Models ihre Relevanz verlieren, und zeigt, dass eine gezielte Kombination aus existierenden Pruning-Methoden und zufälliger Token-Entfernung in diesen tiefen Schichten die Effizienz steigert, ohne die Leistung signifikant zu beeinträchtigen.