1863 Arbeiten
Die Arbeit stellt GroundCount vor, ein Framework, das die Zählgenauigkeit von Vision-Language-Modellen durch die Integration expliziter räumlicher Verankerung aus Objekterkennungsmodellen verbessert und so Halluzinationen reduziert, wobei die Wirksamkeit stark von der Architekturkompatibilität und der Art der Eingabe (z. B. Positionscodierung) abhängt.
Die Arbeit stellt das Color Fidelity Dataset (CFD) und die Color Fidelity Metric (CFM) vor, um die oft zu lebhaften Farben bei text-zu-Bild-Generierungen zu bewerten, und schlägt eine training-freie Verfeinerungsmethode (CFR) vor, um die Farbtreue realistischer Bilder zu verbessern.
In einer interdisziplinären Zusammenarbeit zwischen Informatikern und Kunsthistorikern untersucht diese Studie, wie Vision-Language-Modelle künstlerische Stile erkennen, und zeigt durch quantitative Analysen und Expertenbewertungen, dass die meisten für die Stilvorhersage genutzten Konzepte von Kunsthistorikern als semantisch kohärent und relevant eingestuft werden.
Die Arbeit stellt DynVLA vor, ein autonomes Fahrmodell, das durch die neuartige „Dynamics CoT"-Methode und einen speziellen „Dynamics Tokenizer" kompakte Weltvorhersagen generiert, um physikalisch fundierte und effiziente Entscheidungen zu treffen, die in umfangreichen Experimenten Text- und Bildbasierte Ansätze übertreffen.
Die Arbeit stellt V2M-Zero vor, eine Methode zur Erzeugung von zeitlich synchronisierter Musik aus Videos ohne gepaarte Trainingsdaten, indem sie die gemeinsame zeitliche Struktur beider Modalitäten über intramodale Ereigniskurven nutzt, um Text-zu-Musik-Modelle effektiv für Video-zu-Musik-Aufgaben anzupassen.
Das Paper stellt Agentar-Fin-OCR vor, ein auf Finanzdokumente zugeschnittenes OCR-System, das mittels fortschrittlicher Algorithmen zur Überbrückung von Seitengrenzen und tabellarischer Zelllokalisierung strukturierte Ausgaben erzeugt, und führt gleichzeitig FinDocBench als spezialisierten Benchmark für die Evaluierung ein.
Die Arbeit stellt NeFTY vor, ein differenzierbares physikalisches Framework, das mithilfe eines neuronalen Feldes und eines rigorosen numerischen Löschers die quantitative 3D-Rekonstruktion von Materialeigenschaften und die Lokalisierung von Untergrundfehlern aus transienten Oberflächentemperaturmessungen ermöglicht.
Die Arbeit stellt LiTo vor, eine 3D-Latenzdarstellung, die Geometrie und view-abhängige Erscheinung durch Tokenisierung von Oberflächenlichtfeldern vereint, um realistische optische Effekte zu erzeugen und die Generierung von 3D-Objekten mit konsistenten Materialien und Beleuchtung aus einem einzigen Eingabebild zu ermöglichen.
Die Arbeit stellt ein vollautomatisiertes KI-System vor, das mithilfe einer populationbasierter Agentenarchitektur und durch Analyse von YouTube-Comedy-Videos trainierter LLM-Kritiker kurze Sketch-Comedy-Videos in professioneller Qualität generiert.
Die vorgestellte Arbeit stellt ein kompaktes bidirektionales Transformer-Modell für die Bildbeschriftung vor, das durch die parallele Kopplung von links-rechts- und rechts-links-Flüssen sowohl implizit als auch explizit bidirektionale Kontexte nutzt und durch Satz- und Wortebene-Ensemble-Methoden neue State-of-the-Art-Ergebnisse auf dem MSCOCO-Datensatz erzielt.
Die Studie stellt SDR-GAIN vor, ein Echtzeit-Generatives Adversarial Network, das durch Separation und Dimensionsreduktion verdeckte Gelenkpunkte von Fußgängern in autonomen Fahrszenarien präzise rekonstruiert und dabei die Leistung bestehender Methoden auf den Datensätzen COCO und JAAD übertrifft.
Der Artikel stellt PnLCalib vor, eine optimierungsbasierte Methode zur Kalibrierung von Sportkameras in Übertragungsvideos, die durch die Kombination eines 3D-Fußballfeldmodils mit einer nichtlinearen Verfeinerung mittels erkannten Feldlinien eine robustere und präzisere Registrierung unter schwierigen Bedingungen wie variierenden Kamerawinkeln und Verdeckungen ermöglicht.
Die Studie stellt DP-IQA vor, eine bahnbrechende Methode zur blinden Bildqualitätsbewertung, die das Wissen vortrainierter Diffusionsmodelle nutzt und durch Wissensdestillation in ein leichtgewichtiges CNN überführt wird, um in komplexen, realen Szenarien eine state-of-the-art Generalisierungsfähigkeit zu erreichen.
Die Arbeit stellt SGMD vor, ein stilgeleitetes Motion-Diffusion-Modell, das Transformer-Architekturen mit einem Stil-Modulationsmodul und einem räumlich-zeitlichen Maskierungsmechanismus kombiniert, um kontrollierbare, stilistisch konsistente und realistische Tanzsequenzen zu generieren, die sowohl zur Musik als auch zu benutzerdefinierten Stilvorgaben passen.
Die Arbeit stellt TIMotion vor, ein effizientes Framework für die Generierung von menschlich-menschlichen Bewegungen, das durch kausale interaktive Injektion, rollenbasierte Scanning-Verfahren und lokale Musterverstärkung die zeitliche Modellierung und Interaktionsmischung verbessert, um suboptimale Ergebnisse und redundante Parameter bestehender Methoden zu überwinden.
Die Arbeit stellt ein einheitliches Framework vor, das Quantisierung und Sparsifizierung als additives Rauschen modelliert und durch eine prinzipiengeleitete Denoisings-Transformation eine stabile Gradientenbahn schafft, wodurch das Training von neuronalen Netzen mit beliebiger Präzision und Sparsity, einschließlich sub-1-Bit-Architekturen, ermöglicht wird.
Die Arbeit stellt DRUPI vor, eine Methode zur Datensatzkondensation, die durch die Synthese privilegierter Informationen wie Feature- oder Attention-Labels die Leistung von reduzierten Datensätzen erheblich verbessert.
Diese Arbeit stellt ein unüberwachtes Lernverfahren vor, das Sequenzdaten durch die Faktorisierung latenter Transformationen in spärlich aktive rotations- und potentialbasierte Vektorfelder analysiert, um damit neuartige entkoppelte Repräsentationen zu erzeugen, die sowohl unabhängige Faktoren als auch Transformationprimitive erfassen und gleichzeitig state-of-the-art-Ergebnisse in Bezug auf Datenwahrscheinlichkeit und äquivariante Fehler erzielen.
Die Autoren stellen eine modellbasierte Bildkomprimierungsmethode vor, die auf trainierten Modellen zur Synthese neuer Ansichten und Gradientenabstiegs-Optimierung basiert, um die Echtzeit-Übertragung von Bildern für ferngesteuerte Unterwasserfahrzeuge über akustische Kanäle mit begrenzter Bandbreite zu ermöglichen.
Die vorgestellte Arbeit führt einen budget-effizienten Rahmen für das aktive Prompt-Learning ein, der durch klassenbasiertes Clustering und adaptive schwellenwertgesteuerte Abfragen die Anpassung von Vision-Language-Modellen an neue Aufgaben mit weniger gelabelten Daten ermöglicht und dabei bestehende Baselines übertrifft.