3963 Arbeiten
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.
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.