4391 Arbeiten
EdgeDAM ist ein leichtgewichtiges, detektionsgesteuertes Tracking-Framework, das durch einen dualen Puffer-Speichermechanismus und eine vertrauensbasierte Umschaltstrategie die Robustheit bei Verdeckungen und Ablenkungen auf mobilen Endgeräten verbessert, ohne dabei die Echtzeitfähigkeit zu beeinträchtigen.
Die Studie „HALP" zeigt, dass Halluzinationen in Vision-Language-Modellen bereits vor der Textgenerierung durch das Analysieren interner Repräsentationen in einem einzigen Vorwärtsdurchlauf mit hoher Genauigkeit erkannt werden können, was effiziente Eingriffe wie frühes Abbrechen oder selektives Routing ermöglicht.
Diese Studie demonstriert, dass ein auf Mip-NeRF basierendes Modell mit einem adaptiven gewichteten MSE-Verlust und synthetischen LWIR-Hyperspektralbildern erfolgreich 3D-Szenen rekonstruieren und damit die Detektion von Gaswolken auch bei nur wenigen Trainingsaufnahmen verbessern kann.
Die Arbeit stellt den MM-Lifelong-Datensatz mit 181,1 Stunden natürlicher Aufnahmen vor und schlägt den rekursiven multimodalen Agenten (ReMA) vor, um die aktuellen Grenzen von End-to-End-Modellen und Agenten bei der Verarbeitung langfristiger, ungeskripteter Videodaten zu überwinden.
Die Arbeit stellt CalibAtt vor, eine trainingsfreie Methode, die durch das Identifizieren und Überspringen redundanter Aufmerksamkeitsverbindungen während einer Offline-Kalibrierung die Text-zu-Video-Generierung um bis zu 1,58-fach beschleunigt, ohne dabei die Qualität oder die Ausrichtung auf den Text zu beeinträchtigen.
Das Paper stellt FaceCam vor, ein System, das durch eine gesichtsspezifische, skalenbewusste Darstellung und innovative Datengenerierungsstrategien hochwertige Porträtvideos mit präziser Kamerasteuerung aus monokularen Eingaben erzeugt, ohne dabei auf 3D-Priors angewiesen zu sein.
Die Autoren stellen eine neuartige, transformer-basierte Inpainting-Methode vor, die als nachgelagerter Bildverarbeitungsschritt in spärlichen Multi-Kamera-Setups fehlende Texturen für Echtzeit-3D-Streaming konsistent und detailreich rekonstruiert und dabei einen optimalen Kompromiss zwischen Qualität und Geschwindigkeit bietet.
Die Autoren stellen eine neuartige Matrix-Kodierungsmethode namens „Volley Revolver" vor, die es ermöglicht, eine convolutional Neural Network für die Klassifizierung handschriftlicher Bilder effizient und datenschutzkonform unter Verwendung von homomorpher Verschlüsselung durchzuführen, wobei 32 verschlüsselte MNIST-Bilder auf einer öffentlichen Cloud in etwa 287 Sekunden verarbeitet werden.
Die Arbeit stellt ein neuartiges, quantenbasiertes Kamera-System vor, das mithilfe von Double Deep Q-Learning die Privatsphäre und den Nutzen von Bildern steuert, indem diese bis zur Messung in reversiblen Quantenzuständen gespeichert werden.
Der Artikel stellt GeoTop vor, ein mathematisch fundiertes Framework, das Topologische Datenanalyse und Lipschitz-Killing-Krümmungen vereint, um die Unterscheidung zwischen gutartigen und bösartigen Strukturen in der diagnostischen Bildgebung durch die Kombination topologischer Invarianz mit geometrischer Sensitivität zu verbessern und dabei sowohl die Genauigkeit als auch die Interpretierbarkeit zu steigern.
Diese Arbeit stellt eine neue Methode für die offene Vokabular-Tarnobjekt-Instanzsegmentierung vor, die Diffusionsmodelle nutzt, um durch die Fusion von visuellen und textuellen Merkmalen getarnte Objekte auch in unbekannten Klassen präzise zu segmentieren.
Die Arbeit stellt Export3D vor, eine Methode zur einmaligen, 3D-bewussten Porträtanimation, die durch einen neuartigen Tri-Plane-Generator und ein kontrastives Vor-Training Ausdrücke und Kameraperspektiven steuern kann, ohne dabei bei ausdruckskontrollierter Animation über verschiedene Identitäten hinweg unerwünschte Gesichtsmerkmale zu übertragen.
Die Arbeit stellt FireANTs vor, einen training-freien, GPU-beschleunigten multi-skalierten adaptiven Riemannschen Optimierungsalgorithmus für die dichte diffeomorphe Bildregistrierung, der im Vergleich zu bestehenden Methoden eine deutlich schnellere Verarbeitung, einen geringeren Speicherbedarf und eine hohe Robustheit über verschiedene Modalitäten hinweg bietet.
Das Paper stellt Merlin vor, ein dreidimensionales Vision-Language-Foundation-Modell, das mithilfe eines mehrstufigen Vortrainings auf einem großen Datensatz aus CT-Scans, Diagnosedaten und radiologischen Berichten trainiert wurde und bei der automatisierten Analyse von Bauch-CTs verschiedene diagnostische, prognostische und qualitative Aufgaben besser bewältigt als bestehende 2D-Modelle.
Die Arbeit stellt TrashFuzz vor, einen Black-Box-Fuzzing-Ansatz, der durch die realistische Manipulation der Positionen alltäglicher Straßenseitenobjekte gemäß regulatorischer Richtlinien gezielt Wahrnehmungsfehler autonomer Fahrzeuge erzeugt und damit Verkehrsverstöße im Apollo-System provoziert.
Das Paper stellt FINE vor, eine neuartige Vortrainierungsmethode für Diffusionsmodelle, die Wissen in wiederverwendbare „Learngenes" zerlegt, um Modelle unterschiedlicher Größen effizient und ohne wiederholtes Vortraining initialisieren zu können.
Diese Studie etabliert erstmals Skalierungsgesetze für Diffusionstransformer (DiT), die es ermöglichen, auf Basis von Rechenbudgets optimale Modellgrößen und Datenmengen vorherzusagen sowie die Generationsleistung und Datenqualität kosteneffizient zu bewerten.
TextMaster ist ein einheitliches Framework für realistische Textbearbeitung, das durch die Kombination von hochauflösenden Glypheninformationen, einem Wahrnehmungsverlust und einem neuartigen Stil-Injektionsmechanismus präzise Schriftarten und kontrollierbare Layouts in verschiedenen Bildbereichen ermöglicht.
Die Arbeit stellt FlowCLAS vor, ein hybrides Framework, das Normalizing Flows durch einen kontrastiven Lernansatz mit Outlier Exposure verbessert, um die Leistung bei der Anomalie-Segmentierung in dynamischen Roboterszenen zu steigern und die Lücke zu diskriminativen Methoden zu schließen.
Die Arbeit stellt VideoMindPalace vor, ein neuartiges Framework, das mithilfe von handgestützter Objektverfolgung, Aktivitätszonen und Umgebungslandkarten semantische Graphen zur strukturierten Analyse langer Videos erstellt, um die räumlich-zeitliche Kohärenz und das menschenähnliche Schlussfolgern von Large Vision Language Models zu verbessern.