3892 Arbeiten
Die Arbeit stellt SGG-R³ vor, ein Framework, das durch eine Kombination aus chain-of-thought-gesteuertem Fine-Tuning mit Relationen-Augmentierung und einem neuartigen dualgranularen Belohnungsmechanismus im Reinforcement Learning eine end-to-end unvoreingenommene Szenengraph-Generierung mit verbesserter Abdeckung seltener Relationen ermöglicht.
Die Arbeit stellt mit EcoG-Bench ein strenges, mehrsprachiges Evaluierungsbenchmark für die egozentrische co-sprachliche Grounding vor, das zeigt, dass aktuelle multimodale Modelle aufgrund von Schnittstellenbeschränkungen bei der zeitlichen und räumlichen Verknüpfung von Sprache und Zeigegesten erheblich hinter menschlicher Leistung zurückbleiben.
Diese Arbeit stellt ein geräteunabhängiges Framework vor, das durch die Fusion multipler Sensormodalitäten und die Schätzung der Verfolgungszuverlässigkeit in Echtzeit die robuste Verfolgung chirurgischer Instrumente in Augmented-Reality-Systemen auch bei häufigen Verdeckungen im Operationssaal ermöglicht.
Die Arbeit stellt AutoReg3D vor, einen autoregressiven 3D-Objektdetektor, der die LiDAR-basierte Detektion als Sequenzgenerierung in einer nah-zu-fern-Reihenfolge formuliert, wodurch aufwendige Komponenten wie Anker und Non-Maximum-Suppression entfallen und moderne Sprachmodell-Techniken für die 3D-Wahrnehmung nutzbar gemacht werden.
Das Paper stellt TeamHOI vor, ein dezentralisiertes Framework, das mithilfe eines Transformer-basierten Policies und einer maskierten adversariellen Bewegungsprior-Methode (AMP) physisch plausible und skalierbare kooperative Mensch-Objekt-Interaktionen für Teams beliebiger Größe ermöglicht.
Das Paper stellt AutoTraces vor, ein autoregressives Vision-Language-Trajectory-Modell, das die Schlussfolgerungsfähigkeiten großer Sprachmodelle durch eine neuartige Tokenisierung von Trajektorien und eine automatisierte Chain-of-Thought-Generierung nutzt, um die Vorhersage von Roboterbewegungen in menschlich besiedelten Umgebungen mit hoher Genauigkeit und Generalisierungsfähigkeit zu verbessern.
Die Arbeit stellt ViSA vor, ein Framework zur Verbesserung der aerialen Vision-Language-Navigation durch visuelle-räumliche Schlussfolgerung, das ohne Nachtraining von Sprachmodellen auskommt und auf dem CityNav-Benchmark eine 70,3%ige Steigerung der Erfolgsrate gegenüber dem aktuellen State-of-the-Art erzielt.
Die Studie stellt fest, dass aktuelle Vision-Language-Modelle beim Ablesen analoger Uhren in realen Umgebungen versagen, und adressiert dies durch die Einführung des vielfältigen Datensatzes TickTockVQA sowie des Fine-Tuning-Frameworks Swap-DPO, um die räumlich-zeitliche reasoning-Fähigkeit und Robustheit der Modelle erheblich zu verbessern.
Der Artikel stellt „Missing No More" vor, ein neuartiges, interpretierbares Framework, das mithilfe eines gemeinsamen konvolutionalen Wörterbuchs und einer koeffizientenbasierten Inferenz fehlende Infrarotbilder aus sichtbaren Aufnahmen rekonstruiert und so eine kontrollierte Bildfusion ohne pixelraumgenerierung ermöglicht.
Das Paper stellt VSDiffusion vor, ein zweistufiges Diffusionsframework, das durch die Integration von Sichtbarkeitspriors und Licht-/Tiefeninformationen realistische und geometrisch konsistente Schatten für eingefügte Objekte erzeugt und damit neue State-of-the-Art-Ergebnisse auf dem DESOBAv2-Datensatz erzielt.
Das Paper stellt AffordGrasp vor, ein diffusionsbasiertes Framework, das mithilfe einer skalierbaren Annotationspipeline und eines dual-konditionierten Prozesses physikalisch stabile und semantisch korrekte Greifposen für AR/VR und Embodied AI generiert, indem es Objektgeometrie, räumliche Affordanzen und Textanweisungen integriert.
Die Arbeit stellt MambaDance vor, einen neuartigen Ansatz zur Tanzgenerierung, der ein Mamba-basiertes Diffusionsmodell mit einer glockenförmigen Beat-Repräsentation kombiniert, um im Vergleich zu Transformer-basierten Methoden längere, rhythmisch präzisere und musikalisch synchronisierte Tanzbewegungen zu erzeugen.
Die Arbeit stellt ein zweistufiges Framework vor, das durch die Generierung von Skelettsequenzen aus Text und deren nachfolgende Umwandlung in Videos mittels eines pose-gesteuerten Diffusionsmodells sowie die Bereitstellung eines synthetischen Datensatzes die Erzeugung von Videos komplexer menschlicher Bewegungen wie Akrobatik und Kampfkunst verbessert.
Das Papier stellt QualiTeacher vor, ein neuartiges Framework für die Bildrestauration in der realen Welt, das die Qualität von Pseudo-Labels durch eine konditionierte Überwachung und eine Kombination aus NR-IQA-Modellen, Multi-Augmentation und DPO-ähnlicher Präferenzoptimierung nutzt, um Artefakte zu vermeiden und Ergebnisse zu erzielen, die die Qualität des Lehrers übertreffen.
Diese Arbeit stellt ein robustes multimodales Framework mit sicherer Kreuz-Aufmerksamkeit und Modality-Dropout vor, das durch Fokussierung auf unvollständige Daten und Klassenungleichgewicht die Emotionserkennung im Rahmen der 10. ABAW-Herausforderung verbessert.
Das Paper stellt Speed3R vor, ein effizientes 3D-Rekonstruktionsmodell, das durch eine duale Aufmerksamkeitsmechanik, die sich auf die wichtigsten Bild-Token konzentriert, die Inferenzgeschwindigkeit im Vergleich zu herkömmlichen dichten Modellen um das 12,4-Fache steigert, während nur eine minimale Genauigkeitseinbuße in Kauf genommen wird.
Der Artikel stellt „See & Switch" vor, ein interaktives Framework zur Roboterschulung durch Demonstration, das mithilfe von Aug-in-Hand-Kameras und einem bedingten Aufgabengraphen robuste Verzweigungen und Anomalieerkennung in Echtzeit ermöglicht, um komplexe Manipulationsaufgaben auch unter variierenden Bedingungen zuverlässig auszuführen.
Die Arbeit stellt ImageEdit-R1 vor, ein Multi-Agenten-Framework, das durch den Einsatz von Reinforcement Learning die Koordination spezialisierter Vision-Language- und Generative-Agenten optimiert, um komplexe Bildbearbeitungsaufgaben präziser und kontextbewusster zu lösen als bestehende monolithische oder manuell gestaltete Ansätze.
Diese Arbeit stellt ein neuartiges, plug-and-play Ranking-Framework vor, das mithilfe von Large Vision-Language Models (LVLM) und einer relationalen Verlustfunktion die räumliche Geolokalisierung von UAV-Bildern durch eine explizite Modellierung der visuell-semantischen Korrelationen mit Satellitenbildern signifikant verbessert.
Diese Arbeit stellt mit Codebook Histogram Distance und Code Mixture Model Score zwei neue, auf diskreten visuellen Token basierende Metriken zur Bewertung generativer Modelle vor, die in Kombination mit dem umfassenden VisForm-Benchmark eine überlegene Korrelation mit menschlichen Qualitätsurteilen im Vergleich zu herkömmlichen Merkmal-basierten Ansätzen erreichen.