4144 Arbeiten
Das Paper stellt SCOPE vor, ein plug-and-play-Framework zur Anreicherung von Few-Shot-Prototypen in der 3D-Segmentierung, das ungelabelte Hintergrundinformationen nutzt, um die Leistung bei neuen Kategorien zu steigern und katastrophales Vergessen zu minimieren.
Die Arbeit stellt BEVLM vor, ein Framework, das semantisches Wissen aus großen Sprachmodellen in räumlich konsistente Vogelperspektiven-Repräsentationen (BEV) integriert, um die reasoning-Fähigkeiten in komplexen Fahrszenen zu verbessern und die Sicherheit in End-to-End-Steuerungssystemen signifikant zu erhöhen.
Der Artikel stellt Omni-Diffusion vor, das erste beliebige-zu-beliebige multimodale Sprachmodell, das vollständig auf einem maskierten diskreten Diffusionsansatz basiert und damit das Verständnis sowie die Generierung von Text, Sprache und Bildern in einer einheitlichen Architektur vereint.
Diese Studie zeigt, dass die vermeintlich schwache Klassifizierungsleistung von multimodalen Sprachmodellen (MLLMs) hauptsächlich auf fehlerhafte Evaluierungsprotokolle und verrauschte Ground-Truth-Daten zurückzuführen ist, die durch korrekte Annotationen und optimierte Protokolle behoben werden können, wodurch sich die Lücke zu überwachten Modellen erheblich verringert und MLLMs zudem als wertvolle Werkzeuge für die menschliche Datenerstellung erweisen.
Die Studie zeigt, dass ein auf prädiktiven neuronalen Netzen basierendes Generierungsmodell (EIGen) neue visuelle Bewegungsillusionen erzeugt, die auch Menschen täuschen, und untermauert damit die Hypothese, dass solche Illusionen durch die Vorhersagen des Gehirns statt durch reine Sinnesreize entstehen.
Die Arbeit stellt FEP-Nav vor, ein biologisch inspiriertes Framework, das durch die Minimierung der Variational Free Energy mittels eines Top-down-Decoders und adaptiver Normalisierung eine robuste Echtzeit-Wahrnehmungsanpassung für die visuelle Navigation unter unsicheren und verrauschten Bedingungen ermöglicht.
Die Arbeit stellt InstructHumans vor, ein neuartiges Framework für die instruktionsgesteuerte Textur-Editierung animierbarer 3D-Menschen, das durch eine modifizierte Score Distillation Sampling-Methode (SDS-E) und Regularisierungstechniken konsistente und hochauflösende Änderungen im Vergleich zu bestehenden Methoden ermöglicht.
Das Paper stellt EasyAnimate vor, ein hocheffizientes Framework zur Videogenerierung auf Basis von Diffusion-Transformern, das durch Hybrid-Fenster-Attention, Reward-Backpropagation und optimierte Trainingsstrategien sowohl die Geschwindigkeit als auch die Qualität der Videoerstellung verbessert und dabei State-of-the-Art-Ergebnisse erzielt.
Dieses Paper stellt eine neue Methode vor, die es ermöglicht, scharfe 3D-Gaussian-Avatare direkt aus unscharfen Mehransicht-Videos zu rekonstruieren, indem ein physikalisches Bewegungsunschärfe-Modell mit einem 3D-Bewegungsmodell kombiniert wird, um Mehrdeutigkeiten aufzulösen und eine gemeinsame Optimierung zu ermöglichen.
Die Arbeit stellt TABE vor, eine neuartige Pipeline für das zero-shot amodale Video-Objekt-Segmentieren, die mithilfe eines feinabgestimmten, vortrainierten Video-Diffusionsmodells und eines einzigen Startmasken-Query die Verfolgung und vollständige Rekonstruktion von Objekten auch bei vollständiger Verdeckung ermöglicht.
Diese Arbeit stellt einen retraining-freien, modellunabhängigen Rahmen zur lernbaren strukturellen Pruning von Diffusionsmodellen vor, der durch eine neuartige End-to-End-Zielfunktion und zeitschrittweises Gradienten-Checkpointing bis zu 20 % der Parameter ohne signifikanten Qualitätsverlust entfernt.
Die vorgestellte Arbeit schlägt einen flachheitsgeleiteten Testzeit-Anpassungsrahmen (FGA) für Vision-Language-Modelle vor, der durch die Nutzung von Sharpness-Aware-Prompt-Tuning während des Trainings und einer darauf aufbauenden Testdaten-Auswahl eine effiziente und leistungsfähige Anpassung an Verteilungsverschiebungen ohne teure Parameter-Updates ermöglicht.
Die vorgestellte Arbeit führt ein 3D-dynamikbewusstes Manipulationsframework ein, das durch die Integration von 3D-Weltmodellierung und selbstüberwachtem Lernen eine räumliche Voraussicht ermöglicht, welche die Leistung von Manipulationsrichtlinien in Simulation und Realität ohne Einbußen bei der Inferenzgeschwindigkeit erheblich verbessert.
Das Paper stellt MedFuncta vor, ein einheitliches Framework, das durch Meta-Learning und eine optimierte SIREN-Aktivierung effiziente, generalisierbare neurale Felder für große medizinische Datensätze ermöglicht und dabei Speicherbedarf sowie Rechenaufwand reduziert.
Die Arbeit stellt „RapidPoseTriangulation" vor, einen neuen Algorithmus zur millisekundenschnellen und generalisierbaren Triangulation von Ganzkörper-Posen mehrerer Personen aus mehreren Ansichten, der von Gesichtsausdrücken bis zu Fingerbewegungen reicht und dessen Code öffentlich zugänglich ist.
Die Arbeit stellt Noise2Ghost vor, eine selbstüberwachte, tiefenlernbasierte Methode zur Rekonstruktion von Ghost-Imaging-Daten, die ohne saubere Referenzdaten auskommt und durch hervorragende Rauschunterdrückung besonders für rauschbehaftete Aufnahmen in Low-Light-Szenarien wie der Röntgenfluoreszenzanalyse geeignet ist.
Die Arbeit stellt LMPOcc vor, ein Plug-and-Play-Framework, das globale 3D-Besetzungskarten als Langzeitgedächtnis nutzt, um die lokale semantische Besetzungsvorhersage für autonomes Fahren zu verbessern und gleichzeitig durch kollaboratives Crowdsourcing globale Karten kontinuierlich zu aktualisieren.
Die Arbeit stellt PhysLLM vor, ein kollaboratives Optimierungsframework, das Large Language Models durch cross-modale Ausrichtung und adaptive Signalstabilisierung mit rPPG-Komponenten verbindet, um berührungslose physiologische Messungen unter variierenden Licht- und Bewegungsbedingungen robuster und genauer zu gestalten.
Die Arbeit stellt ReactDance vor, ein Diffusionsframework, das durch die hierarchische Finite-Scalar-Quantisierung (HFSQ) für hochpräzise räumliche Kontrolle und die blockweise lokale Kontextstrategie (BLC) für kohärente lange Sequenzen hochwertige reaktive Tanzgeneration ermöglicht.
Die Arbeit stellt RESAR-BEV vor, ein erklärbarer, progressiver autoregressiver Ansatz zur Kamera-Radar-Fusion für die BEV-Segmentierung, der durch eine kaskadierte Transformer-Architektur und robuste Voxel-Features auf dem nuScenes-Datensatz einen neuen State-of-the-Art mit 54,0 % mIoU bei Echtzeitfähigkeit erreicht.