3591 Arbeiten
Die Arbeit stellt 3DMedAgent vor, einen einheitlichen Agenten, der es multimodalen Großsprachmodellen ermöglicht, komplexe 3D-CT-Analysen durch die Koordination heterogener Werkzeuge und ein langfristiges strukturiertes Gedächtnis ohne spezifische 3D-Feinabstimmung erfolgreich durchzuführen.
Die Arbeit demonstriert, dass Architekturen, die äquivariante Operatoren in einem latenten Raum aus Beispielen lernen, die Generalisierung auf bisher nicht gesehene Transformationen bei der Objekterkennung verbessern können, weist jedoch gleichzeitig Herausforderungen beim Skalieren auf komplexere Datensätze auf.
Die Arbeit stellt OVerSeeC vor, ein modularer Zero-Shot-Rahmen, der große Sprachmodelle und offene Vokabular-Segmentierung kombiniert, um aus Satellitenbildern und natürlichen Sprachanweisungen anpassungsfähige globale Kostenkarten für die autonome Navigation zu generieren.
Die Autoren stellen ein neues Forschungssetting namens Open-Vocabulary Domain Generalization in Semantic Segmentation (OVDG-SS) vor, das durch die Einführung eines ersten Benchmarks für autonomes Fahren und die Entwicklung der Methode S2-Corr zur Korrektur von Text-Bild-Korrelationen die Robustheit von Segmentierungsmodellen gegenüber sowohl unbekannten Domänen als auch unbekannten Kategorien in urbanen Szenarien sicherstellt.
Das Paper stellt UniMatch vor, ein semantikbewusstes Framework, das durch eine zweistufige, grob-zu-feine Methode mit Sprachunterstützung und kontrastivem Lernen dichte semantische Korrespondenzen zwischen stark nicht-isometrischen 3D-Objekten beliebiger Kategorien ermöglicht.
Das Paper stellt InfScene-SR vor, einen diffusionsbasierten Ansatz für die Bild-Super-Resolution beliebiger Größe, der durch eine neuartige, räumlich entkoppelte Varianzkorrektur (SDVC) nahtlose, hochauflösende Gigapixel-Bilder ohne Grenzkantenartefakte erzeugt und dabei den Speicherbedarf drastisch reduziert.
Dieser Beitrag stellt eine Online-Methode zur Zerlegung und Neuzusammensetzung von Objekten, Szenen und Kameraposen vor, um die Datenabhängigkeit monokularer 3D-Objekterkennung zu verringern und durch die Erzeugung vielfältigerer Trainingsdaten die Leistung verschiedener Modelle auf KITTI- und Waymo-Datensätzen zu steigern.
Diese Arbeit stellt einen in-Kontext-Framework zur Bildzerlegung vor, der durch Feinabstimmung von Diffusionsmodellen mit LoRA und eine zykluskonsistente Trainingsstrategie komplexe visuelle Schichten, wie etwa Logos von ihren Hintergründen, präzise und robust trennt.
Der Artikel stellt einen leichten, trainingsfreien und plug-and-play-fähigen Rahmen vor, der durch die iterative Überwachung von CoT-Reasoning-Schritten mit visuellen Beweisen und die dynamische Erweiterung eines Textbeweispools visuelle Halluzinationen in großen Vision-Sprachmodellen effektiv reduziert und die Genauigkeit ohne zusätzliche Modelltrainings verbessert.
Diese Arbeit stellt einen einheitlichen Ansatz zur semantischen und panoptischen Segmentierung von Bildern und Videos vor, bei dem Masken durch Laufkodierung (RLE) diskretisiert und als Token-Sequenzen mittels eines modifizierten Pix2Seq-Modells autoregressiv generiert werden.
Das Paper stellt WISER vor, ein training-freies Framework für das Zero-Shot Composed Image Retrieval, das durch eine adaptive Fusion von Text- und Bild-basierten Suchpfaden sowie einen verifizierenden Verfeinerungsprozess die Stärken beider Ansätze kombiniert und damit den aktuellen Stand der Technik deutlich übertrifft.
Die Arbeit stellt PackUV vor, eine neuartige 4D-Gaussian-Repräsentation, die durch eine temporalkonsistente Anpassung in strukturierte UV-Atlanten eine effiziente Kompression und Kompatibilität mit Standard-Video-Codecs ermöglicht, während sie gleichzeitig die Rekonstruktionsqualität bei langen Sequenzen und großen Bewegungen verbessert.
Die Arbeit stellt HART vor, ein annotierungsfreies Framework, das Large Multimodal Models durch eine verstärkende Lernmethode namens AP-GRPO befähigt, ohne externe visuelle Labels hochauflösende Eingaben effizient zu analysieren und präzise Schlüsselregionen für das visuelle Reasoning zu lokalisieren.
Die Arbeit stellt Infinite Self-Attention (InfSA) und dessen lineare Variante Linear-InfSA vor, die durch eine spektrale Umformulierung als Neumann-Reihe über Token-Graphen den quadratischen Rechenaufwand von Softmax-Attention umgehen, skalierbare Vision-Transformer mit bis zu 332.000 Tokens ermöglichen und dabei auf ImageNet-1K eine um 3,2 Prozentpunkte höhere Genauigkeit sowie eine 13-fach bessere Energieeffizienz im Vergleich zu herkömmlichen Modellen erreichen.
Das Paper stellt WildActor vor, ein Framework zur Erzeugung von Videos mit konsistenten menschlichen Identitäten unter beliebigen Blickwinkeln und Bewegungen, das auf dem großen Datensatz Actor-18M basiert und durch einen asymmetrischen Identitätserhaltungs-Attention-Mechanismus sowie eine viewpoint-adaptive Monte-Carlo-Sampling-Strategie bestehende Methoden in Bezug auf Ganzkörper-Konsistenz übertrifft.
Dieses Positionspapier fordert, dass die Evaluierung moderner visueller Verarbeitungssysteme weg von einer rein metrikzentrierten hin zu einer menschenzentrierten, kontextbewussten und feinkörnigen Bewertung orientiert werden sollte, um die Kluft zwischen objektiven Qualitätsmaßen und menschlicher Wahrnehmung zu überbrücken.
Die Arbeit stellt DeAR vor, einen Rahmen zur feinkörnigen Anpassung von Vision-Language-Modellen, der durch die Zerlegung der Rollen von Aufmerksamkeitsköpfen und die Einführung einer rollenbasierten Maskierung die Balance zwischen Aufgabenanpassung und Erhaltung der Null-Shot-Generalisierung verbessert.
Die Arbeit stellt das MSP-Framework vor, das durch haarkontrollierte Augmentierung, kleidungserhaltendes Löschen und regionsbasierte Aufmerksamkeitsmechanismen die Robustheit der Personenerkennung bei wechselnder Kleidung gegenüber Haartypenänderungen signifikant verbessert.
Die vorgestellte Arbeit stellt eine rechen-effiziente, detektionsgesteuerte Pipeline vor, die durch die Kombination eines Lokalisators und eines Segmentierers robuste Glottalflächen-Wellenformen aus Hochgeschwindigkeits-Videoendoskopien extrahiert, um zuverlässige klinische Biomarker für die pathologische Stimmbewertung über verschiedene Datensätze hinweg zu ermöglichen.
Die Studie stellt einen robusten Framework vor, der die CoAtNet-Architektur mit der Model-Soups-Technik kombiniert, um die Klassifizierung von Bildern des immateriellen Kulturerbes im Mekong-Delta in ressourcenarmen Szenarien durch eine varianzreduzierende Gewichtung diverser Checkpoints auf ein neues Leistungsniveau zu heben.