3928 Arbeiten
Die Arbeit stellt NarrLV vor, das erste Benchmark-System zur umfassenden Bewertung narrativer Fähigkeiten in der Langzeit-Videogenerierung, das auf filmtheoretischen Konzepten wie „Temporal Narrative Atoms" und einem MLLM-basierten Evaluierungsframework aufbaut, um die Lücke zwischen aktuellen Modellen und menschlichen Urteilen zu schließen.
Das Paper stellt den TomatoMAP-Datensatz vor, der über 64.000 annotierte Tomatenbilder aus verschiedenen Perspektiven und Winkeln enthält, um durch ein Deep-Learning-Framework die Genauigkeit und Reproduzierbarkeit der feinkörnigen Pflanzenphänotypisierung im Vergleich zu menschlichen Experten zu verbessern.
Das Paper stellt ExDD vor, ein neuartiges Framework zur Erkennung von Oberflächenfehlern, das durch die explizite Modellierung dualer Verteilungen, den Einsatz latenter Diffusionsmodelle zur Generierung synthetischer Defekte und einen benachbarkeitsbewussten Bewertungsmechanismus die Grenzen herkömmlicher Ein-Klassen-Anomalieerkennung überwindet und auf dem KSDD2-Datensatz überlegene Leistung erzielt.
Die Arbeit stellt GSSR vor, eine Methode, die durch die Optimierung einzelner Gauß-Funktionen und die Einführung neuer Regularisierungsverluste eine gleichmäßige Verteilung entlang der latenten Oberfläche sowie eine präzise geometrische Ausrichtung ermöglicht, wodurch die Genauigkeit der 3D-Rekonstruktion bei 3D-Gaussian-Splatting erheblich verbessert wird.
Diese Arbeit stellt ein auf einem multimodalen Large Language Model basierendes Multi-Agenten-System vor, das durch die Zerlegung komplexer chemischer Extraktionsaufgaben in spezialisierte Teilaufgaben einen signifikanten Fortschritt bei der automatischen Gewinnung strukturierter Daten aus chemischer Literatur ermöglicht und dabei den bisherigen State-of-the-Art deutlich übertrifft.
Diese Arbeit stellt MAP vor, eine trainingsfreie Decodierungsmethode, die durch die Interpretation der versteckten Zustände als 2D-Semantikkarte und die Anwendung von schichtweiser kreuzweise Aufmerksamkeitsverarbeitung sowie einer global-lokalen Logit-Fusion Halluzinationen in großen visuell-sprachlichen Modellen effektiv reduziert.
Die Arbeit stellt VLMQ vor, einen post-training-Quantisierungsrahmen für Vision-Sprach-Modelle, der durch die Identifizierung und Berücksichtigung von visueller Überrepräsentation sowie einer Modality-Gap und die selektive Priorisierung salienter Token mittels eines gradientenbasierten Wichtigkeitsfaktors die Quantisierungsleistung insbesondere bei niedrigen Bitbreiten signifikant verbessert.
Die Arbeit stellt SGDFuse vor, ein bedingtes Diffusionsmodell, das mithilfe von semantischen Masken des Segment-Anything-Modells (SAM) als explizite Priors eine hochqualitative und semantisch bewusste Fusion von Infrarot- und sichtbaren Bildern ermöglicht, um Artefakte zu reduzieren und die Leistung in nachgelagerten visuellen Aufgaben zu verbessern.
Die Arbeit stellt ein neues Framework namens „multivariate Fields of Experts" vor, das durch die Verwendung von Multivariaten-Potenzialfunktionen auf Basis von Moreau-Umhüllungen der -Norm bei inversen Bildproblemen wie Entrauschen und Rekonstruktion eine höhere Effizienz und Interpretierbarkeit als univariate Modelle bietet und dabei die Leistung tiefer neuronaler Netze bei deutlich geringerem Ressourcenbedarf erreicht.
Der DianJin-OCR-R1-Ansatz verbessert die OCR-Leistung durch ein vision-sprachliches Modell, das einen reasoning- und tool-interleaved Paradigmen nutzt, um eigene Erkennungsergebnisse mit Expert-Modellen zu vergleichen, Fehler zu korrigieren und so präzisere Ausgaben zu generieren.
Der vorgestellte SSL-SLR-Ansatz verbessert die Gebärdenzeichenerkennung durch ein neuartiges selbstüberwachtes Lernframework mit freien Negativpaaren und einer speziellen Daten-Augmentierungstechnik, das die Herausforderungen der ungleichen Relevanz von Videobereichen und der Ähnlichkeit zwischen verschiedenen Gebärden adressiert.
Die Arbeit stellt RED vor, ein robustes, ereignisgesteuertes Netzwerk zur Bewegungsunschärfereduktion, das durch eine modalspezifische Entwirrung und selektive Fusion sowie eine robuste Störstrategie die Leistung bei unvollständigen Ereignisdaten verbessert.
Dieses Paper stellt Kernel VICReg vor, ein neuartiges selbstüberwachtes Lernframework, das das VICReg-Ziel in einen reproduzierenden Kernel-Hilbert-Raum überführt, um durch die Kernelisierung von Varianz-, Invarianz- und Kovarianztermen nichtlineare Abhängigkeiten besser zu erfassen und so die Leistung bei Datensätzen mit nichtlinearer Struktur oder begrenzten Stichproben im Vergleich zu euklidischen Methoden zu verbessern.
Die Arbeit stellt C²Prompt vor, eine neue Methode für das federierte kontinuierliche Lernen, die durch lokale Klassenverteilungs-Kompensation und eine klassenbewusste Prompt-Aggregation die Klassenwissen-Kohärenz zwischen Clients verbessert, um sowohl zeitliches als auch räumliches Vergessen zu reduzieren und damit den aktuellen Stand der Technik zu übertreffen.
Diese Arbeit stellt einen visuellen Ansatz für die semantische Objekterkundung mit Laufrobotern vor, der durch vertrauenskalibrierte Wahrnehmung, ein wachsendes topologisches Gedächtnis und eine nutzungsorientierte Subziel-Auswahl robuste Entscheidungen in offenen Umgebungen ermöglicht, ohne auf dichte geometrische Rekonstruktionen angewiesen zu sein.
Der Artikel stellt DeCLIP vor, ein replay-freies und parameter-effizientes Framework, das durch entkoppeltes, klassenspezifisches Prompting und adaptive Ähnlichkeitstemperierung das Katastrophenvergessen und die hohe False-Positive-Rate bei CLIP-basiertem Multi-Label-Klassen-incrementellen Lernen effektiv adressiert.
Die Arbeit stellt BOUND vor, einen Open-World-Objektdetektor, der über die bloße Erkennung unbekannter Objekte hinausgeht, indem er diese in grobgranulare, hierarchische Kategorien einordnet, um semantisch fundiertere Entscheidungen in Anwendungen wie dem autonomen Fahren zu ermöglichen.
Die Arbeit stellt LikePhys vor, eine trainingsfreie Methode zur Bewertung des intuitiven Physikverständnisses in Video-Diffusionsmodellen durch Likelihood-Vergleiche, die zeigt, dass diese Modelle trotz aktueller Schwierigkeiten mit komplexen Dynamiken mit zunehmender Kapazität und optimierten Inferenzeinstellungen ein verbessertes Verständnis physikalischer Gesetze aufweisen.
Das Paper stellt CanvasMAR vor, ein neuartiges autoregressives Videovorhersagemodell, das durch die Einführung eines globalen „Canvas"-Vorschlags und einer bewegungsbewussten Lernkurve hochqualitative Videos mit weniger Sampling-Schritten erzeugt und dabei diffusionbasierte Methoden auf Benchmarks wie Kinetics-600 konkurrenzfähig ist.
Das Papier stellt 3DThinker vor, ein Framework, das es Vision-Language-Modellen ermöglicht, durch zweistufiges Training ohne explizite 3D-Vorwissen oder -Daten räumliches 3D-Imaginieren zu erlernen und so die räumliche Schlussfolgerung aus begrenzten Ansichten zu verbessern.