3921 Arbeiten
Das Paper stellt PRISM vor, ein einheitliches Modell für die Streaming-Generierung menschlicher Bewegungen, das durch einen joint-faktorisierten latenten Raum und eine rauschfreie Bedingungsinjektion die Entanglement-Probleme bestehender Autoencoder löst und gleichzeitig Text-zu-Bewegung, pose-bedingte Generierung sowie autoregressive Sequenzsynthese in einem einzigen Framework vereint.
Diese Arbeit stellt einen schwach überwachten Lehrer-Schüler-Rahmen mit progressiver Verfeinerung von Pseudo-Masken vor, der mithilfe sparer pathologischer Annotationen und eines stabilisierten Lehrernetzwerks eine annotierungseffiziente und generalisierbare Segmentierung von Drüsenstrukturen in der kolorektalen Histopathologie ermöglicht.
Die Arbeit stellt RAF (Retrieval-Augmented Faces) vor, eine Trainingsmethode für templatefreie animierbare Kopf-Avatare, die durch den gezielten Austausch von Gesichtsmerkmalen mit ähnlichen Ausdrücken aus einer großen unlabeled Datenbank die Generalisierungsfähigkeit und Robustheit gegenüber neuen Mimiken verbessert, ohne zusätzliche Annotationen oder Architekturrevolutionen zu benötigen.
Die Autoren stellen ein Echtzeit-zweistromiges RGB-D-Objektdetektionsmodell vor, das durch eine dynamische RBF-gewichtete Hyper-Involution für Tiefendaten und eine trainierbare Fusions-Schicht die Herausforderungen der simultanen Merkmalsextraktion löst und auf dem NYU Depth V2-Datensatz die beste Leistung unter bestehenden Methoden erzielt.
Die vorgestellte Arbeit stellt ein System vor, das Vision-Language-Modelle durch eine posebewusste In-Context-Learning-Methode (PA-ICVL) befähigt, visuelle Halluzinationen in Cartoon-Bildern deutlich genauer zu erkennen als herkömmliche Ansätze, die nur auf RGB-Bilder angewiesen sind.
Die Arbeit stellt Fuse4Seg vor, ein neuartiges Framework, das die medizinische Bildfusion durch ein kooperatives bi-level-Optimierungsverfahren direkt mit der Segmentierungsaufgabe verknüpft, um durch semantisch geleitete Gradienten und frequenzentkoppelte Regularisierung sowohl die Segmentierungsgenauigkeit als auch die klinische Interpretierbarkeit zu maximieren.
Die Arbeit stellt PACE vor, eine neue Methode zur parameter-effizienten Feinabstimmung, die durch konsistenzbasierte Regularisierung und Rauschen die Generalisierungsfähigkeit verbessert, indem sie die Gradientennormen reduziert und das Wissen aus dem Vor-Training bewahrt, was in verschiedenen visuellen und textbasierten Aufgaben zu überlegenen Ergebnissen führt.
Das Paper stellt FALCON vor, einen selbstüberwachten Vorab-Trainingsansatz für die UAV-Aktionserkennung, der durch objektspezifisches Masking und zukunftsorientierte Rekonstruktion die Dominanz von Hintergrundinformationen überwindet und so die Genauigkeit bei gleichzeitig schnellerer Inferenz im Vergleich zu überwachten Methoden signifikant verbessert.
Die Arbeit stellt AuthFace vor, ein neuartiges Framework für die authentische blinde Gesichtswiederherstellung, das durch einen speziell auf Gesichter ausgerichteten generativen Diffusionsprior, der auf einem hochwertigen Fotodatensatz trainiert wurde, und einen zeitbewussten Verlust für latente Gesichtsmerkmale realistische Ergebnisse ohne Artefakte erzielt.
Diese Studie stellt eine effiziente, selbstüberwachte Methode zur Rekonstruktion seismischer Daten vor, die auf einem schlanken Netzwerk und einem Selbstkonsistenz-Lernansatz basiert, um unregelmäßige Datenerfassung ohne zusätzliche Trainingsdaten zu korrigieren.
Das Paper stellt PPLLaVA vor, ein effizientes Video-LLM, das durch eine promptgesteuerte Pooling-Strategie die visuelle Token-Anzahl um bis zu 18-fach reduziert, ohne dabei die Leistung bei verschiedenen Videoverständnis-Aufgaben zu beeinträchtigen.
Die Arbeit stellt Ditto vor, ein diffusion-basiertes Framework für die Synthese sprechender Köpfe, das durch die Generierung von Darstellungen in einem spezifischen Bewegungsraum feingranulare Kontrolle und Echtzeit-Inferenz ermöglicht, um die Nachteile bestehender Modelle hinsichtlich Geschwindigkeit und Steuerbarkeit zu überwinden.
Das Paper stellt LEO vor, eine effiziente Architektur für multimodale Sprachmodelle, die durch eine leichte Kombination aus unabhängigen Projektoren, sequenzieller Verflechtung von Bildkacheln und dynamischer Tiling mit globalem Kontext die Leistung bestehender Mixture-of-Vision-Encoders-Ansätze auf zahlreichen Benchmarks und im autonomen Fahren verbessert.
FeatureGS verbessert die geometrische Genauigkeit und reduziert Artefakte sowie den Speicherbedarf bei der 3D-Gaussian-Splatting-Rekonstruktion durch die Einführung eines auf Eigenwerten basierenden geometrischen Verlustterms, der die Gaussians präziser an Objektoberflächen ausrichtet.
Die Arbeit stellt PoI vor, ein Framework, das durch die Kombination von 3D-Gaussian-Splatting, Diffusionsmodellen und einem fortschrittlichen Pixel-Filterungsalgorithmus auf Basis von Reprojektionsfehlern, hochwertige synthetische Ansichten für die Szenenkoordinaten-Regression generiert und so die Genauigkeit der visuellen Lokalisierung signifikant verbessert.
Diese Übersichtsarbeit bietet einen strukturierten Überblick über den Einsatz von Large Multimodal Language Models im gesamten wissenschaftlichen Lebenszyklus, von der Literaturrecherche und Ideengenerierung bis hin zur Inhaltserstellung, Bewertung und den damit verbundenen ethischen Herausforderungen.
Die Arbeit stellt SCOTT und MIM-JEPA vor, eine Architektur und Trainingsmethode, die es Vision-Transformern ermöglicht, auch mit stark begrenzten Daten und Rechenressourcen robuste Repräsentationen zu erlernen und so die Abhängigkeit von großen Datensätzen in der selbstüberwachten Bildverarbeitung überwindet.
Die Arbeit stellt NAMI vor, einen effizienten Bildgenerierungsansatz auf Basis von Rectified Flow-Transformern, der durch eine stufenweise, mehrstufige Architektur und ein BridgeFlow-Modul die Inferenzzeit um 64 % reduziert, ohne dabei die Bildqualität zu beeinträchtigen.
Der Artikel stellt ECLARE vor, eine effiziente selbstüberwachte Methode zur anisotropen Auflösungssteigerung von 2D-MRT-Schichtbildern, die durch die Schätzung des Schichtprofils und das Lernen innerhalb derselben Volumina Interpolationsfehler, Domänenverschiebungen und Lücken zwischen den Schichten überwindet und dabei alle aktuellen Methoden in der Signalwiederherstellung sowie bei nachgelagerten Aufgaben übertrifft.
Die Studie stellt EarthScape vor, einen multimodalen Datensatz und Benchmark für die KI-gestützte Kartierung der oberflächennahen Geologie, der verschiedene Datenquellen integriert und zeigt, dass Geländemerkmale robustere Vorhersagen liefern als reine spektrale oder Höheninformationen.