3933 Arbeiten
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.
Die Arbeit stellt AURASeg vor, ein auf ResNet basierendes Segmentierungsframework für fahrbare Bereiche, das durch einen aufmerksamen Upsampling-Decoder und eine residualgestützte Randverfeinerung präzise Grenzen und eine effiziente Onboard-Verarbeitung auf Edge-Geräten ermöglicht.
Die Studie stellt CULTIVate vor, einen Benchmark zur Bewertung von Text-zu-Bild-Modellen anhand kulturell spezifischer sozialer Aktivitäten, der systematische Verzerrungen zugunsten des globalen Nordens aufdeckt und neue Metriken für eine kulturtreue Bildgenerierung bietet.
Der vorgestellte Ansatz verbessert die Fairness von Deepfake-Erkennungsmodellen für verschiedene demografische Gruppen, ohne die Gesamterkennungsgenauigkeit zu beeinträchtigen, indem er strukturelles Entkoppeln und globale Verteilungsausrichtung kombiniert.
LaxMotion ist ein neuartiges Framework für die Erzeugung von 3D-Menschbewegungen, das durch den Verzicht auf präzise 3D-Pose-Überwachung zugunsten einer strukturierten Faktorisierung und globaler Konsistenz mit monokularen 2D-Kinematikdaten eine bessere Generalisierung und semantische Ausrichtung erreicht.
Diese Arbeit stellt mit dem Cultural Reference Transformation (CRT)-Metrik einen Evaluierungsrahmen vor, der die Unterscheidung zwischen der Erkennung kultureller Referenzen und ihrer visuellen Realisierung in Diffusionsmodellen ermöglicht, um so die Komplexität von Multimodalität und kulturellem Gedächtnis jenseits einfacher Reproduktion zu erfassen.
Die Arbeit stellt Co-Layout vor, ein neuartiges Framework, das Large Language Models mit gitterbasiertem ganzzahligem Programmieren kombiniert, um die Innenraumgestaltung und Möbelplatzierung durch eine effiziente grob-zu-fein-Optimierungsstrategie gemeinsam zu verbessern.
Die Studie stellt SPARK vor, einen Jailbreak-Angriffsrahmen, der Text-zu-Video-Modelle durch die synergistische Kombination neutraler Szenenanker, latenter auditiver Trigger und stilistischer Modulatoren in benignen Prompts manipuliert, um sicherheitsrelevante Richtlinien zu umgehen und semantisch unsichere Videos zu generieren.
Die Studie stellt MRIQT vor, ein physikbewusstes 3D-Diffusionsmodell, das die Bildqualität von tragbaren Ultra-Niederfeld-MRTs für Neugeborene durch realistische K-Raum-Degradation und SNR-gewichtete Verlustfunktionen signifikant verbessert und dabei die diagnostische Zuverlässigkeit auf das Niveau von Hochfeldgeräten anhebt.
Das Paper stellt FunnyNodules vor, einen vollständig parametrisierbaren synthetischen Datensatz mit abstrakten, lungenknotenähnlichen Formen, der durch seine vollständigen Ground-Truth-Informationen über diagnostische Merkmale und deren Zusammenhänge eine systematische Evaluierung und Analyse von erklärbarer KI (xAI) im medizinischen Bereich ermöglicht.
Die Arbeit stellt FireScope vor, ein auf Vision-Language-Modellen basierendes Framework mit Chain-of-Thought-Orakel, das durch die Integration von Sentinel-2-Bildern, Klimadaten und Expertenwissen sowie durch das Lernen aus Verstärkungslernen und visueller Überwachung präzise und interpretierbare Waldbrandrisikokarten erstellt, die eine robuste Generalisierung über Kontinente hinweg ermöglichen.
Die Autoren stellen VeilGen und DeVeiler vor, ein System, das mittels eines generativen Modells und latenter Transmission- sowie Blendkarten realistische Linsenblendung simuliert und darauf aufbauend eine physikalisch fundierte Restaurierung für vereinfachte optische Systeme ermöglicht.
Die vorgestellte Arbeit führt einen Unified Attention-Mamba (UAM)-Backbone ein, der die Vorteile von Attention- und Mamba-Modulen flexibel vereint und in einem multimodalen Framework für die Klassifizierung von Tumorzellen sowie die Bildsegmentierung einen neuen State-of-the-Art auf öffentlichen Benchmarks erreicht.
Das Paper stellt EgoCogNav, ein multimodales Framework zur Vorhersage von menschlicher Egocentric-Navigation durch die Integration kognitiver Unsicherheitsfaktoren, und führt dazu den neuen CEN-Datensatz mit realen Aufnahmen ein.
Die Arbeit stellt SyncMV4D vor, ein bahnbrechendes Modell, das erstmals synchronisierte Multi-View-Videos und 4D-Bewegungen für Hand-Objekt-Interaktionen durch die gemeinsame Generierung visueller und dynamischer Daten in einem geschlossenen Regelkreis erzeugt, um so Realismus und geometrische Konsistenz zu verbessern.
Die Arbeit stellt ReInversion vor, eine trainingsfreie Methode für exemplarbasierte Bildbearbeitung, die durch einen zweistufigen Reversiblen Inversionsprozess und eine maskengesteuerte selektive Denoisierung eine state-of-the-art Leistung bei minimalem Rechenaufwand erzielt.