3898 Arbeiten
Die vorgestellte Studie demonstriert, wie multimodale Large Language Models als trainingfreie Bildgeneratoren genutzt werden können, um durch synthetische Defektbilder die Datenknappheit bei der Inspektion von Stromleitungen zu überwinden und die Klassifikationsgenauigkeit für Isolatorschäden signifikant zu steigern.
Die Arbeit stellt TALON vor, ein Test-time-Adaptions-Framework für die On-the-Fly-Kategorienentdeckung, das durch semantisch bewusste Prototypen-Updates und stabile Encoder-Anpassungen die starren hash-basierten Ansätze überwindet, um neue Kategorien effektiv zu lernen und die Fragmentierung von Klassen zu verhindern.
Diese Arbeit stellt einen neuartigen Ansatz für die Objektziel-Navigation vor, der durch die Integration eines feinabgestimmten lokalen LLMs in ein hybrides topologisch-gitterbasiertes Kartensystem von einer rein reaktiven zu einer semantisch gesteuerten, kartenbasierten KI übergeht und so die Erkundungseffizienz und Erfolgsraten in unbekannten Umgebungen signifikant verbessert.
Das Paper stellt DSH-Bench vor, ein umfassendes Benchmark mit hierarchischer Taxonomie, Schwierigkeits- und Szenarioanalyse sowie einem neuen Konsistenzmaß, das die Evaluierung und Weiterentwicklung von subjektgetriebenen Text-zu-Bild-Modellen durch detaillierte Diagnosen und eine höhere Übereinstimmung mit menschlichen Bewertungen verbessert.
TrianguLang ist ein neuer, feed-forward Ansatz für die 3D-Lokalisierung, der mittels geometrieaware semantischer Aufmerksamkeit (GASA) präzise und geometrisch konsistente Objektsuchergebnisse aus reinem Text ohne Kamerakalibrierung oder Optimierung liefert und damit den Stand der Technik in Effizienz und Genauigkeit verbessert.
Die vorgestellte Arbeit führt die adaptive MLP-Pruning-Methode (AMP) ein, die durch ein label-freies Entropiekriterium und eine binäre Suche die Parameter und FLOPs großer Vision-Transformer wie CLIP und DINOv2 um etwa 40 % reduziert, ohne dabei die Modellleistung signifikant zu beeinträchtigen.
Die Arbeit stellt SAMoE-VLA vor, ein autonomes Fahrmodell, das durch eine szenenadaptive Mixture-of-Experts-Architektur und einen bedingten cross-modalen kausalen Aufmerksamkeitsmechanismus die Instabilität herkömmlicher tokenbasierter Ansätze überwindet und gleichzeitig State-of-the-Art-Ergebnisse auf Benchmark-Datensätzen erzielt.
Der Artikel stellt FoleyFlow vor, ein neues Modell zur koordinierten Video-zu-Audio-Generierung, das durch einen Maskierungsansatz zur semantischen und rhythmischen Ausrichtung sowie einen dynamischen bedingten Fluss für eine zeitlich präzise Synchronisation übertrifft bestehende Methoden.
Die Arbeit stellt UniGround vor, eine trainingsfreie Methode für das universelle 3D-Visual-Grounding, die durch zweistufiges, auf Topologie und semantischer Kodierung basierendes Reasoning neue State-of-the-Art-Ergebnisse auf Benchmarks wie ScanRefer und EmbodiedScan erzielt und dabei ohne 3D-Überwachung robust auf unbekannte Szenen verallgemeinert.
Die Arbeit stellt FLED-GS vor, ein schnelles Framework zur gleichzeitigen Verbesserung von Helligkeit und Schärfung in 3D-Szenen bei schwacher Beleuchtung, das durch einen alternierenden Zyklus aus 2D-Entwackelung und noise-bewusstem 3D-Gaussian-Splatting-Rekonstruktionsprozess eine überlegene Leistung bei deutlich kürzeren Trainings- und Renderzeiten im Vergleich zu bestehenden Methoden erzielt.
Die Studie stellt VesselFusion vor, ein Diffusionsmodell, das mithilfe einer grob-zu-feinen Darstellung und einer abstimmungsbasierten Aggregation natürliche und stabile Gefäßzentrenlinien aus 3D-CT-Bildern extrahiert und dabei konventionelle deterministische Ansätze in Bezug auf Genauigkeit und Natürlichkeit der Ergebnisse übertrifft.
Das Paper stellt MV-Fashion vor, ein groß angelegtes, mehrsichtiges Videodataset mit realistischen Garment-Dynamiken und detaillierten Annotationen, das speziell entwickelt wurde, um die Lücke in der Modeforschung zu schließen und als Grundlage für Aufgaben wie virtuelles Anziehen und Größenbestimmung zu dienen.
Die Arbeit stellt Edged USLAM vor, ein hybrides visuell-inertiales SLAM-System, das durch eine kantenaufmerksame Front-End-Verarbeitung und lernbasierte Tiefenpriors die Robustheit von Ereigniskameras in schwierigen Umgebungen wie schneller Bewegung oder schlechter Beleuchtung verbessert und dabei eine überlegene Stabilität und geringere Drift im Vergleich zu reinen ereignisbasierten oder rein lernbasierten Ansätzen bietet.
Das Paper stellt MERLIN vor, ein robustes multimodales Sprachmodell für elektromagnetische Signale, das durch die Einführung des Datensatzes EM-100k, des Benchmarks EM-Bench und eines speziellen Trainingsframeworks die Herausforderungen von Datenknappheit, fehlender Evaluierung und niedrigen Signal-Rausch-Verhältnissen (SNR) im elektromagnetischen Bereich adressiert.
Die Arbeit stellt ALOOD vor, eine neuartige Methode zur Erkennung von Out-of-Distribution-Objekten in LiDAR-Daten, die durch die Ausrichtung von Objektdetektor-Features auf Sprachrepräsentationen eines Vision-Language-Modells eine Zero-Shot-Klassifizierung ermöglicht und so die Sicherheit autonomer Fahrsysteme erhöht.
Die Arbeit stellt Fusion-Poly vor, ein neuartiges Framework für das 3D-Objekttracking, das asynchrone LiDAR- und Kameradaten durch eine räumlich-zeitliche Fusionsstrategie integriert, um die Verfolgungshäufigkeit zu erhöhen und mit 76,5 % AMOTA einen neuen State-of-the-Art auf dem nuScenes-Datensatz zu erreichen.
Die Arbeit stellt MM-TS vor, eine Methode für das kontrastive Lernen mit langschwanzigen Daten, die durch dynamische Temperatur- und Margin-Schedules in multimodalen Settings die Leistung verbessert und den InfoNCE-Loss mit dem Max-Margin-Ansatz vereint.
Diese Studie stellt zwei neue Fusionsstrategien vor, die eine registrationsbewusste Bildverarbeitung und eine Zuverlässigkeits-gesteuerte Aufmerksamkeitsfusion nutzen, um die Erkennung von unbemannten Luftfahrzeugen (UAVs) durch die Integration heterogener thermischer und visueller Sensordaten signifikant zu verbessern.
Das Paper stellt Video2LoRA vor, ein skalierbares und effizientes Framework zur semantisch gesteuerten Videogenerierung, das mittels eines Hypernetzwerks personalisierte LoRA-Gewichte aus Referenzvideos vorhersagt, um ohne separates Training kohärente Ergebnisse mit geringem Speicherbedarf zu erzielen.
Die Arbeit stellt SAVE vor, eine Methode zur sprachbewussten Video-Repräsentation, die durch eine dedizierte Sprachkomponente und eine frühe Vision-Audio-Alignment mittels soft-ALBEF die Leistung beim Video-Text-Retrieval auf fünf Benchmarks gegenüber dem aktuellen Stand der Technik signifikant verbessert.