4146 Arbeiten
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.
Die Arbeit stellt DHECA-SuperGaze vor, eine Deep-Learning-Methode, die durch Super-Resolution und einen dualen Kopf-Augen-Cross-Attention-Mechanismus die Genauigkeit der Blickschätzung in unkontrollierten Umgebungen verbessert und gleichzeitig Annotationfehler im Gaze360-Datensatz korrigiert.
Die Arbeit stellt OSPO (Object-centric Self-improving Preference Optimization) vor, ein Framework zur selbstständigen Verbesserung von Text-zu-Bild-Modellen durch objektspezifische Präferenzdaten und eine gewichtete SimPO-Loss-Funktion, das die feingranulare Bild-Text-Abstimmung erheblich verbessert und Objekt-Halluzinationen reduziert.
Die Arbeit stellt EDITOR vor, eine neue Methode zur Prompt-Inversion bei Text-zu-Bild-Diffusionsmodellen, die durch die Kombination von Bildunterschriften-Modellen, latenter Verfeinerung und einer Embedding-zu-Text-Konvertierung eine überlegene Bildähnlichkeit, semantische Kohärenz und Interpretierbarkeit im Vergleich zu bestehenden Ansätzen erreicht.
Die Arbeit stellt HypeVPR vor, ein hierarchisches Embedding-Framework im hyperbolischen Raum, das die inhärente Hierarchie von Panoramen nutzt, um eine robuste und effiziente visuelle Ortserkennung zwischen Perspektiv- und Equirektangulärbildern zu ermöglichen.
Das von IGN vorgestellte FLAIR-HUB ist ein groß angelegter multimodaler Datensatz mit sehr hochauflösenden Annotationen, der sechs verschiedene Erdbeobachtungsmodalitäten kombiniert, um fortschrittliche Modelle für die Landbedeckungs- und Erntekartierung zu trainieren und zu evaluieren.
Die Studie stellt HSG-12M vor, einen umfassenden Datensatz mit über 16 Millionen räumlichen Multigraphen, der mithilfe des automatisierten Poly2Graph-Pipelines aus nicht-hermiteschen Kristallspektren generiert wurde, um als Benchmark für geometriebewusstes Graph-Learning und datengetriebene Entdeckungen in der kondensierten Materie zu dienen.
InterActHuman ist ein neuartiges Framework, das die hochwertige Animation mehrerer interagierender Personen und Objekte ermöglicht, indem es durch einen Masken-Prädiktor und lokale Audio-Bedingungen eine präzise, regionspezifische Verknüpfung multimodaler Eingaben mit den jeweiligen spatiotemporalen Fußabdrücken der Konzepte erzwingt.
Das Paper stellt AutoV vor, ein leichtgewichtiges Framework, das durch eine verlustorientierte Rangfolge automatisch die für eine Bildabfrage optimale visuelle Prompt aus einer Kandidatenmenge auswählt und so die Leistung von Large Vision-Language Models ohne manuelle Annotation verbessert.
Die Arbeit stellt mit TreeBench ein neues Benchmark zur Evaluierung nachvollziehbarer visueller Begründungen vor und entwickelt TreeVGR, einen Trainingsansatz mit Bestärkendem Lernen, der die Genauigkeit und Erklärbarkeit von Modellen für visuelle Aufgaben signifikant verbessert.
Die Arbeit stellt GMLN-BTS vor, einen graphbasierten, leichten Multi-Modal-Netzwerkansatz für die adaptive Hirntumorsegmentierung, der durch drei innovative Komponenten eine hohe Präzision bei nur 4,58 Millionen Parametern erreicht und damit den aktuellen Stand der Technik bei ressourceneffizienten Modellen auf den BraTS-Benchmarks übertrifft.
Die Arbeit stellt EDA vor, ein einheitliches theoretisches Framework für Diffusionsmodelle mit beliebigem Rauschen, das die Einschränkungen von EDM überwindet, die Restaurationsdistanz minimiert und sich durch hohe Generalisierungsfähigkeit und Effizienz bei verschiedenen medizinischen und natürlichen Bildwiederherstellungsaufgaben bewährt.
SAMPO-Path ist ein neuartiges Feinabstimmungsframework, das die direkte Präferenzoptimierung (DPO) erstmals auf reine Vision-Foundation-Modelle anwendet, um durch die explizite Ausrichtung auf klinische Segmentierungsabsichten die Genauigkeit und Robustheit bei der Segmentierung dicht gepackter histopathologischer Bilder zu verbessern.
Diese Arbeit stellt einen neuartigen, signifikanzregularisierten Feinabstimmungsrahmen vor, der durch die Integration intrinsischer Parameterbedeutung die Plastizitäts-Stabilitäts-Abwägung bei der Anpassung vortrainierter Modelle für Multi-Modality-Tracker optimiert und damit den aktuellen Stand der Technik übertrifft.
Diese Arbeit stellt eine Reinforcement-Learning-Methode für die Navigation von Quadrotoren vor, die mittels privilegierter Zeit-Ankunfts-Karten und einer neuen Verlustfunktion Hindernisse erfolgreich umfliegt und sich sowohl in Simulationen als auch in 20 erfolgreichen Außenflügen bei Geschwindigkeiten bis zu 4 m/s bewährt hat.
Diese Arbeit stellt ein rechen-effizientes System zur 3D-Lokalisierung entfernter Objekte aus verrauschten Bildsegmentierungssequenzen vor, das entweder auf Multi-View-Triangulation oder Partikelfiltern basiert und sich besonders für die Überwachung von Waldbränden durch Drohnen eignet.
BridgeDrive ist ein neuartiger, ankerbasierter Diffusions-Brücken-Algorithmus für die geschlossene Trajektorienplanung autonomer Fahrzeuge, der durch theoretisch konsistente Prozesse und effiziente ODE-Löser einen neuen State-of-the-Art auf Bench2Drive erreicht.
Die Arbeit stellt SphereAR vor, ein autoregressives Bildgenerierungsmodell, das durch die Einschränkung der Latents auf eine Hypersphäre die Varianzstabilität verbessert und damit erstmals reine Raster-Autoregressionsmodelle in der Bildqualität mit Diffusions- und Maskierungsmodellen konkurrieren lässt.
Dieses Paper stellt eine neuartige Methode zur kontinuierlichen Video-Super-Resolution vor, die Videos als kohärente 3D-Fourier-Felder (VFF) codiert, um durch eine gemeinsame räumlich-zeitliche Modellierung schärfere, konsistentere und rechen-effizientere Ergebnisse als bestehende Ansätze zu erzielen.