1863 Arbeiten
Das Paper Splat2Real adressiert die Herausforderung der viewpoint shift bei Physical AI, indem es ein Curriculum-Lernverfahren namens CN-Coverage einführt, das durch die intelligente Auswahl neuartiger Ansichten mittels 3D-Gaussian-Splatting die Robustheit monokularer Tiefenschätzung verbessert.
Die Arbeit stellt SLiM vor, ein neuartiges, dekodiererfreies Framework für das Lernen von Skelettdarstellungen, das Masked Modeling und Contrastive Learning vereint, um durch semantische Rohrmaskierung und skelettspezifische Augmentierungen sowohl state-of-the-art Genauigkeit als auch eine um den Faktor 7,89 reduzierte Inferenzkosten im Vergleich zu herkömmlichen MAE-Methoden zu erreichen.
Die Arbeit stellt ROVA, ein Trainingsframework, und PVRBench, einen neuen Benchmark, vor, um die Robustheit von Video-Reasoning-Modellen gegenüber realen Störungen wie Wetter und Verdeckungen zu verbessern und dabei signifikante Genauigkeits- sowie Schlussfolgerungsgewinne zu erzielen.
Diese Studie analysiert systematisch die Auswirkungen verschiedener Designentscheidungen auf die Leistung von Erdbeobachtungs-Embeddings in GeoFM-basierten Workflows und zeigt, dass Transformer-Architekturen mit Mean Pooling sowie die Kombination mehrerer Selbstüberwachungs-Ziele robuste und extrem kompakte Repräsentationen für skalierbare Anwendungen liefern.
Diese Arbeit stellt eine effiziente, pipelinierte FPGA-Architektur für die Verschiebungsvektorsuche im Intra-Pattern-Copy-Modul von JPEG XS vor, die durch optimierte Speicherorganisation eine hohe Durchsatzrate von 38,3 Megapixeln pro Sekunde bei geringem Energieverbrauch erreicht und somit die praktische Hardware-Implementierung ermöglicht.
Das Paper stellt A-Edit vor, ein einheitliches Inpainting-Framework, das mithilfe des neuartigen UniEdit-500K-Datensatzes, eines Mixture-of-Transformer-Moduls und einer Mask-Annealing-Trainingsstrategie präzises, referenzgesteuertes Bearbeiten beliebiger Objekte mit nur groben Masken ermöglicht und dabei den aktuellen Stand der Technik übertrifft.
Die Arbeit stellt MapGCLR vor, eine Methode zur halbüberwachten, vektorisierten Online-HD-Kartenkonstruktion für autonome Fahrzeuge, die durch geospatiale kontrastives Lernen und die Nutzung von Mehrfachüberquerungen die Leistung gegenüber rein überwachten Baselines verbessert.
Die Arbeit stellt BorderNet vor, ein auf mathematischen Modellen der visuellen Kortexverarbeitung basierendes CNN, das durch speziell entworfene Filter die Robustheit gegenüber Bildokklusionen verbessert.
Die Arbeit stellt RandMark vor, eine Methode zur Verifizierung des Eigentums an visuellen Fundamentmodellen, die durch zufälliges Einbetten digitaler Wasserzeichen in interne Repräsentationen eine zuverlässige Erkennung von Funktionskopien bei gleichzeitig geringer Fehlerrate ermöglicht.
Das Paper stellt UniCom vor, ein einheitliches Multimodal-Modell, das durch komprimierte kontinuierliche semantische Repräsentationen und eine Transfusionsarchitektur die Lücke zwischen visuellem Verständnis und Generierung schließt und dabei state-of-the-art Ergebnisse in Bildgenerierung und -bearbeitung erzielt.
Das Paper stellt WalkGPT vor, ein pixelbasiertes Vision-Language-Modell mit Tiefenwahrnehmung und Segmentierungsfähigkeiten, das zusammen mit dem neuen Benchmark PAVE zuverlässige, zugängliche Navigationshinweise für Fußgänger in komplexen städtischen Umgebungen generiert.
Die Arbeit stellt CTCNet vor, ein neuartiges, cross-spektrales Netzwerk mit Wissens-Einbettung und spektraler Kompensation für eine robuste UAV-Verkehrsszenenanalyse unter schwierigen Lichtverhältnissen, und stellt gleichzeitig Traffic-VQA, den ersten großskaligen optisch-thermischen Benchmark für kognitive Verkehrsverständnis-Aufgaben, vor.
Die Studie stellt den eLasmobranc-Datensatz vor, eine öffentlich zugängliche, kuratierte Bildsammlung von sieben Elasmobranchier-Arten aus dem östlichen Mittelmeer, die unter standardisierten Bedingungen außerhalb des Wassers aufgenommen wurde, um die artgenaue Klassifizierung und das Biodiversitätsmonitoring durch künstliche Intelligenz zu unterstützen.
Die Arbeit stellt Just-in-Time (JiT) vor, ein trainingsfreies Framework, das durch die dynamische Auswahl eines spärlichen Token-Subsets und die Formulierung einer räumlich approximierten ODE die Inferenzgeschwindigkeit von Diffusion-Transformern wie FLUX.1-dev um bis zu 7-fach steigert, ohne dabei die Bildqualität signifikant zu beeinträchtigen.
Die Autoren stellen ein neuartiges, kalibrierungsfreies photometrisches Stereo-System vor, das eine rotierende Lichtquelle mit einem Ereigniskamera-basierten, pixelweisen neuronalen Netzwerk kombiniert, um präzise Oberflächennormalen auch unter schwierigen Bedingungen wie starkem Umgebungslicht und spiegelnden Reflexionen zu schätzen.
Die Arbeit „CodePercept" identifiziert die Wahrnehmungsfähigkeit als den entscheidenden Engpass für MLLMs im visuellen STEM-Reasoning und schlägt einen Paradigmenwechsel vor, bei dem ausführbarer Code als präzises Wahrnehmungsmedium dient, was durch die Einführung des 1-Millionen-Einträge-Datensatzes ICC-1M und des Evaluierungsbenchmarks STEM2Code-Eval untermauert wird.
Die vorgestellte Arbeit führt die Condition-Degradation Guidance (CDG) ein, eine rechenleichte Methode, die das herkömmliche Null-Prompt durch strategisch degradierte Bedingungen ersetzt, um Diffusionsmodelle bei komplexen Zusammensetzungen zu präziseren semantischen Unterscheidungen zu führen und so die Bildtext-Übereinstimmung signifikant zu verbessern.
Die Arbeit stellt „Super Neuronen" vor, eine trainingsfreie Methode, die durch die direkte Nutzung skalarer Aktivierungen in den flachen Schichten von Vision-Language-Modellen eine robuste Klassifizierung ermöglicht und dabei eine bis zu 5,10-fache Geschwindigkeitssteigerung durch ein frühes Verlassen des Modells erreicht.
Die vorgestellte Arbeit stellt mit LGA-RCM-YOLO ein auf YOLO11m-basiertes Modell vor, das zusammen mit dem neuen CTG 2.0-Datensatz die instanzbasierte Segmentierung von Phasengrenzen in transparentem Labor-Glaswerk ermöglicht und so eine zuverlässige visuelle Überwachung chemischer Prozesse für die Laborautomatisierung realisiert.
Diese Arbeit führt die Methode der semantischen Granularitätsausrichtung (SGA) ein, die auf einer geometrischen Analyse der Flow-Matching-Optimierung basiert, um Gradientenkonflikte zu mildern und so die Konvergenzgeschwindigkeit sowie die strukturelle Integrität bei der Text-zu-Bild-Synthese zu verbessern.