4161 Arbeiten
Die Studie stellt EA-Swin vor, einen einbettungsagnostischen Swin-Transformer, der in Kombination mit dem neuen EA-Video-Datensatz die Erkennung von KI-generierten Videos durch überlegene Genauigkeit und Generalisierungsfähigkeit gegenüber bestehenden Methoden revolutioniert.
CityGuard ist ein dezentrales, graphenbewusstes Transformer-Framework, das durch die Kombination von dispersionsadaptivem Metrik-Lernen, räumlich konditionierter Aufmerksamkeit und differenziell privaten Einbettungen eine robuste und datenschutzkonforme Personenwiederverkennung über städtische Kameras hinweg ermöglicht.
Das Paper stellt CARE vor, einen molekülgesteuerten Fundament-Modell-Ansatz für die Pathologie, der durch adaptive Regionen und eine zweistufige Vortrainingsstrategie die Heterogenität von Gewebestrukturen besser erfasst und dabei mit nur einem Zehntel der üblichen Datenmenge überlegene Ergebnisse auf zahlreichen Aufgaben erzielt.
Die Studie stellt MasqLoRA vor, einen ersten systematischen Angriffsrahmen, der es ermöglicht, Text-zu-Bild-Diffusionsmodelle durch das Einschleusen eines scheinbar harmlosen LoRA-Adapters mit einem versteckten Backdoor zu manipulieren, der bei einem spezifischen Triggerwort eine schädliche Ausgabe erzeugt, während das Modell im Normalfall unauffällig bleibt.
Das Paper stellt RobustVisRAG vor, ein kausalitätsbasiertes Dual-Pfad-Framework, das die Robustheit von visuellen Retrieval-Augmented-Generation-Systemen gegenüber visuellen Verzerrungen durch die Entkopplung von semantischen Inhalten und Degradationssignalen signifikant verbessert.
Das Paper stellt LFG vor, ein label-freies, lehrergeführtes Framework, das aus unposeden Online-Driving-Videos eine einheitliche pseudo-4D-Repräsentation lernt und damit sowohl für die autonome Fahrplanung als auch für semantische und geometrische Aufgaben überlegene Ergebnisse erzielt.
Die Arbeit stellt „Diffusion Probe" vor, einen effizienten, modellunabhängigen Ansatz, der mithilfe von CNN-Proben die Verteilung der Cross-Attention in frühen Diffusionsstufen nutzt, um die endgültige Bildqualität von Text-zu-Bild-Modellen präzise vorherzusagen und so Rechenkosten durch frühzeitige Entscheidungen zu senken.
Die Arbeit stellt DiffusionHarmonizer vor, ein Online-Framework, das mithilfe eines einzelnen, zeitlich konditionierten Diffusions-Enhancers und einer speziellen Datenaufbereitung neuartige Ansichten aus neuralen Rekonstruktionen in fotorealistische und zeitlich konsistente Simulationen umwandelt, um Artefakte zu beheben und dynamische Objekte realistisch zu integrieren.
Das Paper stellt UFO-4D vor, ein einheitliches Feedforward-Framework, das aus nur zwei unpositionierten Bildern eine dichte 4D-Rekonstruktion mittels dynamischer 3D-Gaussian-Splats erzeugt und dabei durch die differenzierbare Rendering-Synthese mehrerer Signale aus einer gemeinsamen geometrischen Darstellung eine überlegene Schätzung von Geometrie, Bewegung und Kameraposition ermöglicht.
Die Arbeit stellt Dr. Seg vor, ein plug-and-play-Framework für visuelle Großsprachenmodelle, das durch einen Look-to-Confirm-Mechanismus und ein rangbasiertes Belohnungssystem die Annahme widerlegt, dass reine Sprachtrainingsparadigmen nahtlos auf visuelle Wahrnehmungsaufgaben übertragbar sind, und so die Leistung in komplexen Szenarien signifikant verbessert.
Die Arbeit stellt AlignVAR vor, ein neuartiges visuelles autoregressives Framework für die Bildsuperauflösung, das durch die Einführung von Spatial Consistency Autoregression und Hierarchical Consistency Constraint globale Konsistenz sicherstellt und dabei sowohl die strukturelle Kohärenz als auch die Inferenzgeschwindigkeit im Vergleich zu bestehenden Diffusionsmodellen erheblich verbessert.
Die Arbeit stellt SOLACE vor, ein unüberwachtes Nachtrainierungsframework für Text-zu-Bild-Modelle, das durch die Nutzung eines intrinsischen Selbstvertrauenssignals als Belohnungssignal die Bildqualität verbessert, ohne externe Annotatoren oder Belohnungsmodelle zu benötigen.
Die Arbeit stellt Dr. Occ vor, ein Framework für die 3D-Besetzungsvorhersage aus Umgebungskameras, das durch eine tiefen- und regionsgeführte Architektur geometrische Ausrichtungsfehler und räumliche Klassenungleichgewichte überwindet und damit auf dem Occ3D-nuScenes-Benchmark signifikante Verbesserungen gegenüber bestehenden Methoden erzielt.
Der Artikel stellt FreeAct vor, ein neuartiges Quantisierungsframework für Large Language Models, das durch die Einführung token-spezifischer Transformationen für Aktivierungen die starren Einschränkungen bestehender Methoden überwindet und so insbesondere bei Diffusions- und Multimodal-LLMs die Leistung signifikant verbessert.
Die Arbeit stellt Kiwi-Edit vor, ein neues State-of-the-Art-System für die videobasierte Bearbeitung, das durch eine skalierbare Datengenerierungspipeline, den daraus resultierenden großen Datensatz RefVIE und eine einheitliche Architektur mit lernbaren Abfragen die präzise Steuerung von Video-Edits mittels natürlicher Sprache und Referenzbildern erheblich verbessert.
Der Artikel stellt Track4World vor, ein effizientes, feedforward-Modell, das auf einer globalen 3D-Szenendarstellung basiert und eine dichte, weltzentrierte 3D-Verfolgung jedes Pixels in monokularen Videos ermöglicht, wodurch es bestehende Methoden in Bezug auf Genauigkeit und Skalierbarkeit übertrifft.
Die Arbeit stellt PVT-GDLA vor, einen effizienten Decoder-basierten Transformer mit einem neuartigen gated differential linear attention-Mechanismus, der durch lineare Komplexität und verbesserte Randschärfung eine hochpräzise medizinische Bildsegmentierung auf verschiedenen Modalitäten ermöglicht.
Der Artikel stellt MultiShadow vor, eine Methode, die einen vortrainierten Text-zu-Bild-Diffusionsmodell nutzt, um durch die Kombination von Bildmerkmalen und textbasierten Positionstokens realistische, geometrisch konsistente Schatten für mehrere gleichzeitig eingefügte Objekte in Bildkompositen zu generieren.
Das Paper stellt IoUCert vor, ein neuartiges formales Verifikationsframework, das erstmals die Robustheitsprüfung realer, ankerbasierter Objektdetektoren wie SSD und YOLO durch die Entwicklung einer präzisen Koordinatentransformation und einer optimierten Intervallgrenzenausbreitung für IoU-Berechnungen ermöglicht.
Die Autoren stellen einen unpaarigen Übersetzungsrahmen auf Basis des Neuralen Schrödinger-Brücken-Modells vor, der durch Diffusions-gestützte Verteilungsausrichtung und anatomische Regularisierung die Bildqualität von Ultra-Niederfeld-MRT-Aufnahmen (64 mT) verbessert, ohne dabei die anatomische Struktur zu verfälschen.