4073 Arbeiten
FTSplat ist ein Feed-Forward-Netzwerk, das aus kalibrierten Mehransichtsbildern direkt kontinuierliche Dreiecksflächen vorhersagt und so hochpräzise, simulationsbereite 3D-Rekonstruktionen in einem einzigen Durchlauf ohne zeitaufwändige Szenenoptimierung ermöglicht.
Die Arbeit stellt OD-RASE vor, ein ontologiegestütztes Framework, das mithilfe von Large Visual Language Models und Diffusionsmodellen proaktiv unfallverursachende Straßenstrukturen identifiziert und konkrete Infrastrukturempfehlungen generiert, um die Sicherheit autonomer Fahrsysteme zu erhöhen.
Diese Arbeit stellt ein Residual Masking Network vor, das eine Segmentierungsarchitektur nutzt, um CNNs bei der Gesichtsausdruckserkennung zu verbessern und dabei auf den Datensätzen FER2013 und VEMO einen neuen State-of-the-Art erreicht.
Die Arbeit stellt SLER-IR vor, ein Framework für die allumfassende Bildwiederherstellung, das durch sphärisches layerweises Experten-Routing, kontrastives Lernen zur Vermeidung geometrischer Verzerrungen und eine globale-lokale Granularitätsfusion die Leistung bei vielfältigen Bilddegradationen signifikant verbessert.
Die vorgestellte Arbeit führt eine robuste Methode zur Schätzung von Dokumentenverzeichnungen mittels adaptiver radialer Projektion auf dem Fourier-Magnitudenspektrum ein, stellt den neuen Datensatz DISE-2021 vor und belegt die Überlegenheit dieses Ansatzes gegenüber bestehenden Verfahren.
Das Paper stellt LucidNFT vor, ein RL-basiertes Framework für die generative Bild-Super-Resolution, das durch die Einführung von LucidConsistency, einer entkoppelten Vorteil-Normalisierung und dem LucidLR-Datensatz die Herausforderungen der semantischen Treue und des Optimierungsengpasses bei der Anpassung von Flow-Matching-Modellen an reale Degradationen überwindet.
Die Arbeit stellt E-AdaPrune vor, einen energiegetriebenen adaptiven Pruning-Ansatz für Vision-Language-Modelle, der den Token-Budget dynamisch basierend auf der spektralen Energie der Bildmerkmale anpasst, um ohne zusätzliche lernbare Parameter die Effizienz zu steigern und die Leistung auf Benchmarks zu verbessern.
Das Paper stellt VINE vor, ein einheitliches Few-Shot-Segmentierungs-Framework, das durch die Kombination von räumlich-visuellen Graphen und einem diskriminativen Prior strukturelle Konsistenz und Vordergrundtrennschärfe verbessert, um robuste Masken auch bei großen viewpoint-Änderungen zu generieren.
Die Arbeit stellt OVGGT vor, ein training-freies Framework, das durch selbstselektives Caching und dynamischen Ankerschutz die Speichernutzung und Rechenkosten für die 3D-Geometriewiederherstellung aus Streaming-Videos unabhängig von der Videolänge auf ein festes Budget begrenzt und dabei gleichzeitig eine state-of-the-art Genauigkeit erreicht.
Diese Arbeit stellt einen neuartigen, zweistufigen Open-Vocabulary-Objekterkennungsrahmen vor, der Segmentierung und CLIP-basierte Erkennung kombiniert, um komplexe Nachtrainingsprozesse zu vermeiden, und zeigt, dass eine trainingsfreie CLIP-Implementierung ohne SVD auf Standarddatensätzen den aktuellen Stand der Technik übertrifft.
Die vorgestellte Arbeit führt das "Skeleton-to-Image Encoding" (S2I) ein, eine Methode, die 3D-Gerüstsequenzen in bildähnliche Darstellungen umwandelt, um leistungsstarke, visuell vortrainierte Modelle für das selbstüberwachte Lernen von Skelettrepräsentationen nutzbar zu machen und so die Verarbeitung heterogener Skelettdaten zu vereinheitlichen.
Die Arbeit stellt CR-QAT vor, einen Framework aus stufenweiser Quantisierung und textzentrierter relationaler Wissensdistillation, der die durch extreme Niedrigbit-Quantisierung verursachten Einbußen bei der feinkörnigen Vision-Language-Ausrichtung in Open-Vocabulary-Objekterkennung effektiv kompensiert und so die Leistung auf ressourcenbeschränkten Geräten signifikant verbessert.
Die Arbeit stellt PROBE vor, einen lernfreien LiDAR-Ortserkennungsdeskriptor, der die BEV-Besetzung als Bernoulli-Zufallsvariable modelliert und durch analytische Marginalisierung über kontinuierliche Translationen eine sensorunabhängige, rotationsinvariante und hochpräzise 3D-Ortserkennung ermöglicht.
Die Arbeit stellt ProCap vor, ein neuartiges Framework, das die Bildveränderungsbeschreibung durch die explizite Modellierung dynamischer Veränderungsprozesse mittels eines zweistufigen Ansatzes mit einem prozeduralen Encoder und lernbaren Abfragen verbessert, anstatt sich auf statische Bildpaare zu verlassen.
Die Studie stellt DynUAV vor, ein neues Benchmark für die Mehrzielverfolgung aus UAV-Perspektive, das durch intensive Eigenbewegungen und komplexe Bedingungen wie starke Skalierungs- und Blickwinkeländerungen sowie Bewegungsunschärfe bestehende Datensätze herausfordert und die Grenzen aktueller Tracker aufzeigt.
Die vorgestellte Arbeit führt ein neuartiges Dual-Branch-Framework mit Gram-Regularisierung und einem spezifischen Tagger-Netzwerk ein, um den Verteilungsversatz bei referenzbasierten Skizzen-Färbungen zu minimieren und damit gleichzeitig hochauflösende, entkoppelte Ergebnisse sowie State-of-the-Art-Qualität und Kontrollierbarkeit zu erreichen.
Die Arbeit stellt HarvestFlex vor, ein System, das Vision-Language-Action-Richtlinien erfolgreich auf das unstrukturierte, langfristige Ernten von Erdbeben im Gewächshaus überträgt und dabei mit nur wenigen Stunden teleoperierter Demonstrationsdaten eine Erfolgsrate von 74 % bei minimaler Beschädigung der Früchte erreicht.
Dieser Bericht beschreibt die Entwicklung eines automatisierten optischen Inspektionssystems auf Basis von Deep-Learning-Architekturen wie YOLOv8, ResNet-152 und EfficientNet-b4, das unter Einbeziehung von Industriepartnern aus Sialkot auf einem Datensatz von 4.414 Bildern trainiert wurde, um Fertigungsfehler bei chirurgischen Instrumenten aus Pakistan zu erkennen und so die Patientensicherheit sowie die Produktionsqualität zu gewährleisten.
Der Artikel stellt MM-ISTS vor, ein multimodales Framework, das durch die Integration von Vision-Text-LLMs, einem neuartigen Zwei-Stage-Kodierungsmechanismus und einer adaptiven Abfrage-basierten Merkmalsextraktion die Vorhersage unregelmäßig abgetasteter Zeitreihen verbessert, indem es zeitliche, visuelle und textuelle Kontexte effektiv verknüpft.
Das Paper stellt RePer-360 vor, einen distortionsbewussten Selbstmodulationsrahmen, der vortrainierte Perspektiven-Priors für die 360°-Tiefenschätzung bewahrt und durch einen leichtgewichtigen Leitungsmodul sowie eine selbstkonditionierte AdaLN-Zero-Mechanik eine überlegene Generalisierung mit nur 1 % der Trainingsdaten im Vergleich zu herkömmlichen Fine-Tuning-Methoden ermöglicht.