4006 Arbeiten
Diese Arbeit stellt den Graded Fast Hard Thresholding Pursuit (GFHTP)-Algorithmus vor, der ein sparsity-constrained Least Absolute Deviations-Problem löst, um dichte Signale auch bei Vorhandensein von Ausreißern und ohne Kenntnis des Sparsitätsniveaus effizient und mit theoretischen Konvergenzgarantien wiederherzustellen.
SpatialMem ist ein speicherzentriertes System, das aus alltäglichen egozentrischen RGB-Videos eine metrisch ausgerichtete 3D-Struktur erstellt, um durch hierarchische Objektknoten effiziente, räumlich verankerte Abfragen und Navigation in langen Videoszenen ohne spezielle Sensoren zu ermöglichen.
Das Paper stellt OnlineSI vor, ein Framework, das Multimodale Large Language Models durch eine begrenzte räumliche Erinnerung und die Integration von 3D-Punktwolken befähigt, ihre Umgebung kontinuierlich aus einem Videostream zu verstehen und zu verorten, was den Weg für den Einsatz in realen embodied systems ebnet.
Die Arbeit stellt SRA 2 vor, ein leichtgewichtiges intrinsisches Framework, das durch die Ausrichtung der latenten Merkmale von Diffusionstransformern auf vortrainierte VAE-Features die Trainingskonvergenz und Generierungsqualität effizient verbessert, ohne dabei externe Encoder oder zusätzliche Modelle zu benötigen.
FARTrack ist ein schnelles, autoregressives Visual-Tracking-Framework, das durch Task-Spezifische Selbst-Distillation und Inter-frame-Autoregressive Sparsifizierung sowohl hohe Echtzeit-Geschwindigkeit als auch exzellente Tracking-Leistung auf ressourcenbeschränkten Geräten ermöglicht.
Die Arbeit stellt SpatialReward vor, ein Belohnungsmodell, das durch explizite räumliche Schlussfolgerungen und pixelgenaue Verifikation die Lücke in der Wahrnehmung bestehender Online-RL-Systeme für Bildbearbeitung schließt und so die Leistung führender Modelle wie OmniGen2 signifikant verbessert.
Die Arbeit stellt (MGS)-Net vor, ein geometriebasiertes Framework, das durch die Kombination von Mikro-geometrischer Skalenanpassung und Makro-geometrischer Strukturfiltierung die Robustheit der cross-view Geo-Lokalisierung unter GNSS-verweigernden Bedingungen signifikant verbessert und damit neue State-of-the-Art-Ergebnisse auf gängigen Datensätzen erzielt.
Die Studie stellt MiDAS vor, ein quelloffenes, plattformunabhängiges System zur nicht-invasiven, zeitlich synchronisierten Erfassung multimodaler Daten für roboterassistierte minimalinvasive Chirurgie, das proprietäre Schnittstellen umgeht und durch die Bereitstellung annotierter Datensätze, einschließlich der ersten multimodalen Aufnahmen von Herniennaht-Übungen, die Reproduzierbarkeit der Forschung fördert.
Die Arbeit stellt DAV-GSWT vor, ein dateneffizientes Framework, das Diffusionsmodelle und aktive View-Sampling nutzt, um hochwertige Gaussian-Splatting-Wang-Fliesen aus minimalen Eingabedaten zu synthetisieren und so den Bedarf an dichten Abtastungen für großflächige virtuelle Umgebungen zu reduzieren.
Die Arbeit stellt RobSelf vor, ein selbstüberwachtes Modell, das durch die gemeinsame Optimierung eines fehlalignmentbewussten Feature-Übersetzers und eines inhaltsbewussten Referenzfilters eine robuste cross-modale Super-Resolution für realweltliche, nicht perfekt ausgerichtete Bilddaten ermöglicht und dabei sowohl die Leistung als auch die Effizienz bestehender Methoden übertrifft.
Die Arbeit stellt UrbanAlign vor, ein post-hoc-Kalibrierungsverfahren, das eingefrorene Vision-Language-Modelle durch einen dreistufigen Prozess aus Konzeptextraktion und lokaler Regression ohne Gewichtsänderungen an menschliche Präferenzen für urbane Szenen anpasst und dabei die Genauigkeit signifikant verbessert.
Die Studie zeigt, dass durch die training-freie Fusion der geometrischen Strukturen von DINO und der interaktionsbasierten Aufmerksamkeitskarten von Flux in Vision-Foundation-Modellen eine zero-shot-Affordanz-Schätzung erreicht wird, die mit schwach überwachten Methoden konkurrieren kann und damit belegt, dass geometrische und Interaktionswahrnehmung fundamentale Bausteine des Affordanzverständnisses sind.
Das Paper stellt StoryTailor vor, eine Zero-Shot-Pipeline, die auf einer einzelnen RTX 4090 läuft und durch drei synergistische Module (GCA, AB-SVR und SFC) kohärente, identitätserhaltende Bildsequenzen aus langen narrativen Prompts erzeugt, ohne dabei Feinabstimmung zu benötigen.
Das Paper stellt UniVBench vor, einen umfassenden Benchmark und ein einheitliches Evaluierungssystem (UniV-Eval), das entwickelt wurde, um die integrierten Fähigkeiten von Video-Foundation-Modellen in den Bereichen Verständnis, Generierung, Bearbeitung und Rekonstruktion anhand komplexer, menschlich erstellter Videodaten einheitlich zu bewerten.
Die Autoren stellen eine geometrieaware Methode vor, die Graph Neural Networks nutzt, um aus latenten Variablen pro Bild atomare Rückgratkonformationen für die heterogene Cryo-EM-Rekonstruktion vorherzusagen und dabei durch geometrische Regularisierung und einen differenzierbaren Vorwärtsmodell-Ansatz höhere Genauigkeit als herkömmliche MLPs erreicht.
Der Artikel stellt DPCache vor, ein trainingsfreies Beschleunigungsframework für Diffusionsmodelle, das das Sampling als globales Pfadplanungsproblem formuliert und durch dynamische Programmierung eine optimale Auswahl von Schlüsselschritten trifft, um die Rechenzeit erheblich zu verkürzen, ohne dabei die Bildqualität zu beeinträchtigen.
Die Arbeit stellt Synthetic Visual Genome 2 (SVG2), einen umfassenden, automatisiert generierten Datensatz für räumlich-zeitliche Szenengraphen in Videos, sowie das darauf aufbauende Modell TRaSER vor, das durch neuartige Resampling-Mechanismen die Erkennung von Objekten, Attributen und Relationen signifikant verbessert und als intermediäre Repräsentation die Leistung von Video-Frage-Antwort-Systemen steigert.
Die vorgestellte Arbeit schlägt ein adaptives, dynamisches Entnebelungs-Framework vor, das durch einen geschlossenen Regelkreis aus Aufgaben-Feedback und Textanweisungen eine retraining-freie Anpassung an diverse nachgelagerte Vision-Aufgaben ermöglicht.
Die Arbeit stellt PanScale, den ersten groß angelegten Datensatz und Benchmark für panscharfe Bildfusion über verschiedene Skalen hinweg, sowie ScaleFormer vor, ein neuartiges Transformer-basiertes Modell, das durch Tokenisierung und rotatorische Positionscodierung eine robuste Generalisierung auf nicht gesehene Auflösungen ermöglicht und damit den aktuellen Stand der Technik übertrifft.
Die Arbeit stellt Mobile-VTON vor, ein privatsphäreschonendes Framework für hochwertige virtuelle Anproben auf handelsüblichen Mobilgeräten, das durch eine effiziente TGT-Architektur und spezielle Lernstrategien eine Offline-Durchführung ohne Cloud-Abhängigkeit ermöglicht und dabei mit serverbasierten Baselines mithalten kann.