4109 Arbeiten
Diese Arbeit stellt das diagnostische Benchmark ICBench vor, um das Phänomen der „linguistischen Blindheit" in Vision-Language-Action-Modellen aufzudecken, und schlägt mit IGAR eine trainingsfreie Methode zur Nachkalibrierung der Aufmerksamkeit vor, die die Zuverlässigkeit bei widersprüchlichen Sprachanweisungen ohne Architekturänderungen wiederherstellt.
Die Arbeit stellt RepKAN vor, eine neuartige Architektur, die die strukturelle Effizienz von CNNs mit der nichtlinearen Repräsentationskraft von KANs kombiniert, um für die Fernerkundungsbildklassifizierung sowohl überlegene Leistung als auch physikalisch interpretierbare Erkenntnisse zu erzielen.
Das Paper stellt EffectMaker vor, ein einheitliches Rahmenwerk, das multimodale Sprachmodelle für semantisches Reasoning und Diffusion-Transformer für visuelles In-Context-Learning kombiniert, um maßgeschneiderte visuelle Effekte ohne effektspezifisches Fine-Tuning zu erzeugen, unterstützt durch den neu erstellten, großen Datensatz EffectData.
Die Arbeit stellt MOSIV vor, ein neues Framework zur Identifizierung kontinuierlicher Materialparameter mehrerer Objekte aus Videos durch einen differenzierbaren Simulator, das auf einem neu vorgestellten synthetischen Benchmark signifikant bessere Ergebnisse als bestehende Methoden erzielt.
Die Arbeit stellt ViewFusion vor, ein zweistufiges Framework, das durch explizite räumliche Vorverarbeitung und verstärktes Lernen die Leistung von Vision-Language-Modellen bei der mehransichtigen räumlichen Schlussfolgerung signifikant verbessert.
Die Arbeit stellt StruVis vor, ein generator-unabhängiges Framework, das die textbasierte Bildgenerierung durch den Einsatz strukturierter visueller Repräsentationen als Zwischenschritte im Denkprozess verbessert und so die Leistung von MLLMs bei komplexen Prompt-Interpretationen ohne hohe Rechenkosten steigert.
Die Arbeit stellt Occlusion-Aware SORT (OA-SORT) vor, ein trainingsfreies Plug-and-Play-Framework, das durch die Analyse von Okklusionszuständen und die Anwendung spezifischer Module wie OAM, OAO und BAM die Robustheit und Genauigkeit des Multi-Object-Trackings in Szenen mit Verdeckungen signifikant verbessert.
Diese Arbeit adressiert die Rechenkomplexität von Hypercolumns in der Bildsegmentierung durch stratifiziertes Subsampling und Ensemble-Learning und zeigt, dass insbesondere bei extrem kleinen Datensätzen (N ≤ 20) ein einfacher logischer Regressions-Classifier mit einer signifikant besseren Dice-Score-Leistung als ein UNet-Baseline übertrifft.
Die Arbeit stellt FontUse vor, einen datenzentrierten Ansatz, der durch eine annotierte Datensammlung von 70.000 Bildern mit stil- und anwendungsspezifischen Prompts die Kontrolle über die Typografie in Text-zu-Bild-Modellen verbessert, ohne deren Architektur zu verändern.
Die Arbeit stellt GvU vor, einen selbstüberwachten Reinforcement-Learning-Ansatz, der die intrinsische Verständnisfähigkeit einheitlicher multimodaler Modelle nutzt, um durch token-level Belohnungssignale die Bildgenerierung zu verbessern und so die Lücke zwischen visuellem Verständnis und Generierung zu schließen.
Das Paper stellt GenHOI vor, eine leichte Erweiterung für vortrainierte Videogenerierungsmodelle, die durch eine zeitlich ausgewogene und räumlich selektive Objektinjektion physikalisch plausible und objektkonsistente Hand-Objekt-Interaktionen in komplexen, realen Szenen ermöglicht.
Die Arbeit stellt Curious-VLA vor, ein zweistufiges Framework, das durch Feasible Trajectory Expansion und Adaptive Diversity-Aware Sampling die Exploration in autonomen VLA-Modellen verbessert und so auf dem Navsim-Benchmark neue State-of-the-Art-Ergebnisse erzielt.
Diese Studie analysiert die inneren Aktivierungen von leichten Vision-Language-Modellen für den autonomen Fahrverkehr, um festzustellen, dass visuelle Konzepte wie Objektpräsenz linear kodiert sind, während räumliche Eigenschaften oft nur implizit vorliegen, und identifiziert dabei zwei Hauptfehlermodi: eine wahrgenommene Unfähigkeit, visuelle Informationen zu erfassen, sowie eine kognitive Unfähigkeit, diese mit Sprachsemantik korrekt abzugleichen.
Die Arbeit stellt TempoSyncDiff vor, einen effizienten, auf Wissenstransfer basierenden Latent-Diffusionsrahmen für audiogetriebene sprechende Köpfe, der durch Few-Step-Inferenz, Identitätsanker und zeitliche Regularisierung eine niedrige Latenz bei gleichzeitiger Verbesserung der temporalen Stabilität und Synchronisation ermöglicht.
Diese Arbeit stellt eine Pipeline vor, die archivierte omnidirektionale RGB-LiDAR-Daten durch eine Kombination aus ERP-zu-Würfelkarte-Konvertierung, strategischem Downsampling und multi-modaler Registrierung in robuste Initialisierungsdaten für 3D-Gaussian-Splatting umwandelt, um kostengünstig hochwertige digitale Zwillinge zu erstellen.
Die Arbeit stellt eine neue Aufgabe namens „Emotionally Continuous Talking Face Generation" (EC-TFG) und ein entsprechendes Modell (TIE-TFG) vor, die es ermöglichen, realistische sprechende Gesichter zu erzeugen, deren Mimik sich kontinuierlich und fließend an dynamische emotionale Veränderungen im Text anpasst.
Diese Arbeit stellt „Lyapunov Probes" vor, eine Methode zur Erkennung von Halluzinationen in großen Sprach- und multimodalen Modellen, die das Problem durch die Stabilitätstheorie dynamischer Systeme neu fasst und stabile Faktenbereiche von instabilen Halluzinationszonen mittels perturbationsbasierter Überwachungsnetzwerke unterscheidet.
Die Arbeit stellt DeepSight vor, das erste multimodale Sprachmodell, das speziell für das Verständnis von 3D-Szenen entwickelt wurde, indem es Tiefenkarten direkt mit Sprache verknüpft, neue Datensätze erstellt und den ViT-Encoder von CLIP modifiziert, um die räumliche Wahrnehmung und Leistung in nachgelagerten Aufgaben erheblich zu verbessern.
Der vorgestellte Ansatz verbessert die neuronale Videokompression für statische Szenen durch die Einbeziehung von positiv-incentiviertem Rauschen, das kurzfristige Änderungen von persistenten Hintergründen trennt, um bei gleichbleibender Pixelgenauigkeit eine signifikante Bandbreitenreduktion zu erreichen.
Das Paper stellt FedARKS vor, ein neues Framework für das föderierte Lernen zur Personenwiedererkennung, das durch die Auswahl robuster und diskriminierender lokaler Merkmale sowie eine gewichtete Aggregation die Generalisierungsfähigkeit in unsichtbaren Domänen verbessert und die Grenzen bestehender Methoden überwindet.