3880 Arbeiten
Die Arbeit stellt FusionRegister vor, eine allgemeine Methode zur Registrierung von Infrarot- und sichtbaren Bildern, die durch visuelle Priors und das Lernen von Fehlausrichtungsrepräsentationen eine effiziente, robuste und nahtlos integrierbare Bildfusion ermöglicht, ohne auf umfangreiche Vorregistrierungen angewiesen zu sein.
Die Arbeit stellt UniUncer vor, ein leichtgewichtiges, einheitliches Unsicherheitsframework für End-to-End-Fahrsysteme, das erstmals Unsicherheiten sowohl für statische als auch dynamische Szenenelemente gemeinsam schätzt und durch adaptive Mechanismen in die Planung integriert, um die Zuverlässigkeit und Leistung in komplexen Verkehrssituationen signifikant zu verbessern.
Die Arbeit stellt FrameVGGT vor, einen framebasierten Streaming-Ansatz für die 3D-Wahrnehmung, der durch die Zusammenfassung von KV-Beiträgen ganzer Bilder zu kompakten Prototypen und die Verwaltung eines festen Speichers für komplementäre Frames eine stabile Geometrie bei begrenztem Speicherbedarf über lange Videosequenzen hinweg ermöglicht.
Die Arbeit stellt RoboPCA vor, ein pose-zentriertes Framework zur gemeinsamen Vorhersage von Kontaktregionen und -orientierungen für die Robotermanipulation, das durch die automatische Datenerfassungsmethode Human2Afford aus menschlichen Demonstrationen lernt und dabei Konsistenzprobleme bestehender Ansätze überwindet.
Die Arbeit stellt CDA-VSR vor, einen effizienten Online-Video-Super-Resolution-Ansatz, der Komprimierungsdaten wie Bewegungsvektoren und Restkarten nutzt, um die Rechenleistung zu optimieren und gleichzeitig eine höhere Bildqualität bei Echtzeitverarbeitung zu erreichen.
Die Arbeit stellt das Masked Motion Diffusion Model (MMDM) vor, ein auf Diffusionsmodellen basierendes Framework mit einem Kinematic Attention Aggregation-Mechanismus, das durch das Erlernen kontextadaptiver Bewegungspriors unvollständige oder verrauschte Bewegungsdaten für Aufgaben wie Rekonstruktion, Vervollständigung und Interpolation robust rekonstruiert.
Die Arbeit stellt TDM-R1 vor, ein neuartiges Reinforcement-Learning-Verfahren, das Few-Step-Diffusionsmodelle durch die Entkopplung von Surrogat-Reward-Lernen und Generator-Training sowie die Integration nicht-differenzierbarer Belohnungssignale effizient verbessert und dabei state-of-the-art-Ergebnisse in verschiedenen Anwendungsbereichen erzielt.
Die Arbeit stellt PARSE vor, ein Framework, das durch die explizite Modellierung von Interaktionen zwischen Objektteilen und die Einführung des Part-centric Assembly Graph (PAG) sowie des zugehörigen PARSE-10K-Datensatzes die räumliche Intelligenz verbessert und physikalisch konsistente 3D-Szenen ermöglicht.
Die Arbeit stellt 3ViewSense vor, ein Framework, das die räumliche Intelligenz von Vision-Language-Modellen durch eine auf orthografischen Ansichten basierende „Simulieren-und-Schließen"-Methode schließt, um die Lücke bei der Konstruktion kohärenter 3D-Mentalmodelle aus 2D-Beobachtungen zu überwinden.
Das Papier stellt AR2-4FV vor, ein System für die langfristige sprachgesteuerte Verfolgung in Videos mit fester Kameraperspektive, das durch die Nutzung eines statischen Hintergrund-Ankerbanks, eines Re-Entry-Priors und eines ReID-Gating-Mechanismus die Wiederauffindungsrate signifikant verbessert und die Latenz bei der Wiederauffindung von Objekten nach langen Unterbrechungen reduziert.
Das Paper stellt DECADE vor, ein unüberwachtes Diffusionsmodell, das durch die Einbeziehung zeitlicher Konsistenz Rb-82-dynamische kardiale PET-Bilder effektiv entrauscht und dabei sowohl die Bildqualität als auch die quantitative Genauigkeit der Durchblutungsparameter erhält, ohne auf gepaarte Trainingsdaten angewiesen zu sein.
Das Paper stellt MedQ-Deg vor, ein umfassendes Benchmark mit 24.894 Frage-Antwort-Paaren über 18 Degradationstypen und 7 Bildgebungsmodalitäten, das zeigt, dass multimodale Sprachmodelle im medizinischen Bereich bei Bildqualitätsverschlechterungen systematisch an Leistung verlieren und dabei trotz stark sinkender Genauigkeit unangemessen hochsicher bleiben.
Die vorgestellte Arbeit stellt GK-FedDKD vor, einen geometrischen wissensgestützten Ansatz für das federierte Lernen, der durch eine duale Wissensdistillation und die Aggregation globaler geometrischer Kovarianzinformationen die Herausforderungen der Datenheterogenität bei der Analyse von Fernerkundungsbildern bewältigt und dabei signifikant bessere Ergebnisse als bestehende Methoden erzielt.
Dieses Paper stellt eine Methode zur Stilübertragung vor, die Bilder im Pinselstrich-Domain statt im RGB-Domain darstellt, um eine natürlichere und visuell überlegene Nachahmung künstlerischer Werke zu ermöglichen.
Das Paper stellt OrdinalBench vor, einen diagnostischen Benchmark mit 39.000 Frage-Antwort-Paaren, der die Generalisierungsfähigkeiten von Vision-Language-Modellen beim Verständnis ordinaler Zahlen und der sequenziellen Schlussfolgerung durch standardisierte N-te-Objekt-Identifikationsaufgaben systematisch evaluiert und dabei signifikante Schwächen bei großen Ordinalzahlen und komplexen Pfaden aufzeigt.
Die Arbeit stellt SGI vor, ein kompaktes Framework zur effizienten Darstellung hochauflösender Bilder, das durch eine seed-basierte Zerlegung in strukturierte lokale Räume und eine Multi-Scale-Anpassung sowohl die Kompression als auch die Konvergenzgeschwindigkeit im Vergleich zu bestehenden 2D-Gaussian-Methoden erheblich verbessert.
Die Arbeit stellt 4DRC-OCC vor, eine robuste Methode zur semantischen 3D-Belegungsvorhersage für autonomes Fahren, die durch die Fusion von 4D-Radar- und Kameradaten sowie die Nutzung eines automatisch gelabelten Datensatzes auch unter schwierigen Wetter- und Lichtbedingungen zuverlässige Ergebnisse liefert.
Die Arbeit stellt MWM vor, ein mobiles Weltmodell für die Navigation zu Bildzielen, das durch ein zweistufiges Training mit Action-Conditioned Consistency und eine konsistenzbewusste Destillation die Vorhersagegenauigkeit bei mehreren Schritten sowie die Planungseffizienz verbessert.
Die Arbeit stellt HybridStitch vor, ein neues Paradigma für die Text-zu-Bild-Generierung, das durch eine hybride Verarbeitungsebene, welche große und kleine Diffusionsmodelle kombiniert, um komplexe Bildbereiche mit dem großen Modell zu verfeinern und einfache Bereiche mit dem kleinen Modell zu rendern, eine 1,83-fache Beschleunigung bei Stable Diffusion 3 erreicht.
In dieser Studie werden kostengünstige Kamerafallen und visuelle Basis-Modelle eingesetzt, um im hawaiianischen Nebelwald detaillierte, zeitlich hochaufgelöste Daten zu Pflanzenphänologie und Flora-Fauna-Interaktionen zu erfassen, wodurch Trends sichtbar werden, die mit herkömmlichen Stichprobenmethoden nicht erkennbar sind.