3806 Arbeiten
Die Arbeit stellt SiamGM vor, ein neuartiges siamesisches Netzwerk, das durch einen geometriebewussten Inter-Frame-Graph-Attention-Modul und eine motion-gesteuerte Online-Optimierung die Herausforderungen des Objekttrackings in Satellitenvideos bewältigt und dabei Echtzeitfähigkeiten bei über 130 Bildern pro Sekunde bietet.
Die vorgestellte GRD-Net-Architektur kombiniert einen generativen Residual-Autoencoder mit einem diskriminativen Segmentierungsnetzwerk, das mittels eines Region-of-Interest-Moduls Anomalien gezielt in relevanten Bildbereichen erkennt und so herkömmliche, datensatzabhängige Nachverarbeitungsschritte überflüssig macht.
Diese Arbeit stellt ein effizientes RGB-D-Modell zur Szenenverständnis vor, das durch einen verbesserten Fusionsencoder, maßgeschneiderte Schichten für semantische und Instanzsegmentierung sowie eine adaptive Multi-Task-Loss-Funktion die Genauigkeit und Verarbeitungsgeschwindigkeit im Vergleich zu bestehenden Methoden auf gängigen Datensätzen steigert.
Diese Studie bietet einen systematischen Vergleich verschiedener Trainingsziele für die Erkennung von Out-of-Distribution-Daten in der Bildklassifizierung und stellt fest, dass die Kreuzentropie-Verlustfunktion im Vergleich zu Prototyp-, Triplet- und Average-Precision-Verlusten die konsistenteste Gesamtleistung bei der Erkennung sowohl naher als auch entfernter OOD-Daten liefert.
Die vorgestellte Arbeit stellt ein halbüberwachtes, auf einem generativen adversariellen Netzwerk mit Residual-Autoencoder basierendes Anomalieerkennungssystem vor, das speziell für die Echtzeit-Inspektion auf einer hochgeschwindigkeits Blow-Fill-Seal-Produktionslinie in der Pharmaindustrie entwickelt wurde und dabei hohe Genauigkeit bei strengen Zeit- und Hardwareanforderungen gewährleistet.
Die Arbeit stellt 3DGS-HPC vor, ein Framework, das durch eine patchweise Klassifizierung und einen hybriden Klassifikationsmetrik die Qualität der 3D-Gaussian-Splatting-Rekonstruktion in realen Umgebungen verbessert, indem es störende, transienten Objekte robust identifiziert und unterdrückt.
Die Studie stellt „StructAttack" vor, einen neuen Black-Box-Angriff auf Large Vision-Language Models, der durch die Umwandlung schädlicher Anfragen in scheinbar harmlose strukturierte visuelle Prompts (wie Mindmaps oder Tabellen) Sicherheitsmechanismen umgeht und so das Modell dazu bringt, aus benignen Bausteinen schädliche Inhalte zu generieren.
Die vorgestellte Arbeit entwickelt eine effiziente, lernbasierte Methode zur Vereinfachung von LiDAR-Punktwolken mittels Feature-Embedding und aufmerksamkeitsbasierter Sampling-Strategie, die im Vergleich zu herkömmlichen Verfahren wie Farthest Point Sampling eine höhere Geschwindigkeit bei gleicher oder besserer Genauigkeit für die Objekterkennung und -klassifizierung bietet.
Die Arbeit stellt EmbedTalk vor, ein System zur Echtzeit-Synthese sprechender Köpfe, das durch den Ersatz von Tri-Plane-Codierungen durch lernbare Embeddings für die Deformation von 3D-Gaußschen Splatting-Modellen eine überlegene Renderqualität, Lippen-Synchronisation und Bewegungsfrequenz bei gleichzeitig kompakterer Modellgröße erreicht.
Diese Arbeit stellt eine unüberwachte Methode vor, die mithilfe von zwei neuronalen Feldern und SIREN-Aktivierungsfunktionen Luftaufnahmen von Gewässern entzerrt, indem sie die zeitlich variierende Wasseroberfläche modelliert, um gleichzeitig das verzerrungsfreie Unterwasserbild und die Oberflächentopographie zu rekonstruieren.
Diese Arbeit stellt ein neues Framework vor, das visuelle Signale als Funktionen parametrisiert, die auf einem eingefrorenen Diffusions-Grundmodell basieren, um durch Hashing in kompakte Vektoren eine extrem effiziente Videokompression zu ermöglichen und gleichzeitig die Brücke zwischen Kompression und Generierung zu schlagen.
Die Studie zeigt, dass Halluzinationen in Vision-Language-Modellen durch einen „Überdenkungs"-Prozess entstehen, bei dem fehlerhafte Hypothesen in den mittleren Schichten verankert und weitergegeben werden, und stellt mit dem „Overthinking Score" eine neue Metrik vor, die durch die Analyse dieser Schichtdynamik die Halluzinationserkennung deutlich verbessert.
Das Paper stellt Duala vor, ein Framework zur dualen Ausrichtung von Stimuli und Subjekten, das durch semantische Konsistenz auf Stimulus-Ebene und distributionsbasierte Merkmalsperturbation auf Subjektebene die cross-subjektive fMRI-Decodierung auch bei nur wenigen Stunden Trainingsdaten signifikant verbessert.
Die Arbeit stellt Mobile GlottisNet vor, ein leichtgewichtiges Echtzeit-Framework zur Erkennung der Glottis für die nasale Intubation, das durch innovative räumliche Entkopplungsmechanismen und dynamische Anpassungsstrategien auch auf ressourcenbeschränkten Edge-Geräten hohe Leistungsfähigkeit und Geschwindigkeit erreicht.
Die Studie stellt eine auf NVIDIA Omniverse basierende synthetische Datenpipeline für die Erkennung von Gepäckwagen im Flughafen Algier vor und zeigt, dass eine Kombination aus synthetischen Daten und nur 40 % realer Annotationen die Leistung eines reinen Real-Daten-Modells erreicht oder übertrifft, während der Annotationsaufwand um 25 bis 35 % reduziert wird.
Die Arbeit stellt AtomicVLA vor, ein einheitliches Planungs- und Ausführungsframework, das durch eine Skill-Guided Mixture-of-Experts-Architektur skalierbare atomare Fertigkeiten lernt und so die Leistung von Robotern bei langfristigen Aufgaben und kontinuierlichem Lernen im Vergleich zu bestehenden VLA-Modellen erheblich verbessert.
Die Arbeit stellt GLASS vor, ein unüberwachtes Framework, das durch die Integration von geometrischer Spektralanalyse, vision-sprachlichen Semantik-Priors und graphgestütztem Kontrastverlust eine robuste und semantisch konsistente dichte 3D-Korrespondenz auch unter starken nicht-isometrischen Verformungen und zwischen verschiedenen Klassen ermöglicht.
Die Autoren stellen ein neues Self-Critical Inference-Framework vor, das durch mehrstufige kontrafaktische Schlussfolgerungen sowohl Text- als auch Bildstörungen nutzt, um die Robustheit von Large Vision-Language Models gegenüber Sprachverzerrungen und -sensibilität zu verbessern, und führen zudem einen dynamischen, modellspezifischen Robustheits-Benchmark (DRBench) ein, um die Zuverlässigkeit dieser Modelle genauer zu bewerten.
Das Paper stellt Holi-Spatial vor, den ersten vollständig automatisierten, groß angelegten multimodalen Datensatz, der aus Rohvideodaten ohne menschliches Eingreifen erstellt wurde, um durch hochwertige 3D-Rekonstruktionen und räumliche Frage-Antwort-Paare das Training von Modellen für räumliche Intelligenz zu verbessern.
Der Artikel stellt Ref-DGS vor, ein effizientes Framework zur dualen Gaußschen Splatting, das durch die Entkopplung von Geometrie und Reflexion sowie die Nutzung lokaler und globaler Reflexionsfelder hochpräzise Oberflächenspiegelungen ohne explizites Raytracing ermöglicht.