5067 Arbeiten
Das Paper stellt VideoHV-Agent vor, ein Multi-Agenten-Framework für das Verständnis langer Videos, das durch einen strukturierten Hypothesen-Verifikationsprozess, bei dem ein „Denker" Antworten in testbare Hypothesen umwandelt und ein „Prüfer" diese mit detaillierten Videoinhalten verifiziert, die Genauigkeit, Interpretierbarkeit und Recheneffizienz im Vergleich zu bestehenden Methoden verbessert.
Das Paper stellt Wallaroo vor, ein einfaches autoregressives Modell, das durch Next-token-Vorhersage und eine vierstufige Trainingsstrategie multimodales Verständnis, Bildgenerierung und -bearbeitung sowie mehrsprachige Unterstützung vereint und dabei auf verschiedenen Benchmarks wettbewerbsfähige Ergebnisse erzielt.
Die Arbeit stellt TAPFormer vor, einen Transformer-basierten Ansatz, der durch eine neuartige asynchrone Fusion von Einzelbildern und Event-Daten sowie eine adaptive gewichtete Kreuzmodalitätsfusion eine robuste und präzise Verfolgung beliebiger Punkte auch unter schwierigen Bedingungen wie Bewegungsunschärfe oder schwacher Beleuchtung ermöglicht.
Das Paper stellt MultiGO++ vor, ein neuartiges Framework zur monokularen 3D-Rekonstruktion bekleideter Menschen, das durch eine effektive Zusammenarbeit von Geometrie und Textur sowie durch verbesserte Datensynthese und modulare Feature-Extraktion die bestehenden Grenzen aktueller Methoden überwindet.
Die Arbeit stellt Lens2Zernike vor, ein physik-konsistentes Deep-Learning-Framework, das durch die gleichzeitige Regression von Zernike-Koeffizienten, die Anwendung differenzierbarer physikalischer Constraints und die Nutzung von Hilfs-Spatial-Maps blind optische Aberrationen aus einzelnen mobilen Aufnahmen rekonstruiert, um eine stabile und detailreiche Entschärfung zu ermöglichen.
Diese Arbeit präsentiert eine umfassende Studie zur Generativen Bildrestauration, die mittels eines neuen multidimensionalen Evaluierungsframeworks den Paradigmenwechsel von der Lösung des Problems unzureichender Details hin zur Beherrschung von Detailqualität und semantischer Kontrolle aufzeigt und gleichzeitig ein neues, menschliche Wahrnehmung besser abbildendes Qualitätsbewertungsmodell einführt.
Die Arbeit stellt Tell2Adapt vor, ein einheitliches Framework für die quellenfreie unüberwachte Domänenanpassung in der medizinischen Bildsegmentierung, das durch die Nutzung eines Vision Foundation Models, Kontext-bewusste Prompt-Regularisierung und visuelle Plausibilitätsverfeinerung robuste und generalisierbare Ergebnisse über diverse anatomische Ziele hinweg erzielt.
Diese Arbeit stellt mit dem neuen Benchmark-Datensatz Semap und einem robusten Multiskalen-Segmentierungsframework, das prozedurale Datensynthese nutzt, einen generalisierbaren Ansatz zur semantischen Segmentierung heterogener historischer Kartensammlungen vor, der es ermöglicht, auch weniger erforschte kartografische Archive für historische Geographiestudien zu erschließen.
Die Arbeit stellt IRTTA vor, eine Methode zur Testzeit-Anpassung von medizinischen Bildsegmentierungsmodellen in der optischen Kohärenztomographie, die durch die Ausnutzung informativer Zwischenrekonstruktionen und die Anpassung von Normalisierungsschichten die Segmentierungsgenauigkeit verbessert und gleichzeitig Unsicherheitsschätzungen ermöglicht, ohne den Rekonstruktionsprozess oder das zugrunde liegende Modell zu verändern.
Das Paper stellt CoIn3D vor, ein generalisierbares Framework für die 3D-Objekterkennung mit mehreren Kameras, das durch räumlich bewusste Merkmalsmodulation und kameraabhängige Datenaugmentierung die Generalisierungsfähigkeit auf neue Kamerakonfigurationen verbessert.
Die Autoren stellen CLIP-PZSL vor, einen CLIP-basierten Rahmen für das Zero-Shot-Lernen mit mehrdeutigen Labels, der durch semantisches Mining und einen partiellen Zero-Shot-Verlust die schrittweise Identifizierung korrekter Labels ermöglicht und so die Leistung in realen Szenarien mit verrauschten Daten verbessert.
Diese Studie stellt ein 360-Grad-Multikamerasystem vor, das mithilfe des ABLDataset und eines mit einem Farb-Aufmerksamkeitsblock verbesserten RT-DETR-Modells blaue Einsatzfahrzeuglichter mit hoher Genauigkeit erkennt und deren Annäherungswinkel zur Verbesserung von ADAS und der Verkehrssicherheit bestimmt.
Die Arbeit stellt MI-DETR vor, einen bio-inspirierten Dual-Pfad-Detektor, der durch die Integration eines retina-ähnlichen zellulären Automaten für die Bewegungsmodellierung und eines Parvo-Magno-Interaktionsmoduls eine starke Leistung bei der Erkennung kleiner Infrarotziele in komplexen Hintergründen ohne zusätzliche Bewegungslabels oder Ausrichtungsmodule erzielt.
Die Arbeit stellt UniM vor, das erste Benchmark-Dataset für ein einheitliches „Any-to-Any"-interleaved multimodales Lernen, das 31.000 hochwertige Instanzen über sieben Modalitäten hinweg umfasst und durch eine neue Evaluierungssuite sowie ein agentenbasiertes Basismodell die Herausforderungen für die Weiterentwicklung multimodaler Großsprachenmodelle aufzeigt.
Das Paper stellt MoRe vor, einen effizienten Feed-forward-Transformer für die 4D-Rekonstruktion dynamischer Szenen aus monokularen Videos, der durch eine aufmerksamkeitserzwingende Strategie und gruppierte kausale Aufmerksamkeit bewegte Objekte von statischen Strukturen trennt und dabei Echtzeitfähigkeit mit hoher Qualität verbindet.
Die vorgestellte Arbeit führt ein neues Framework namens Orster ein, das räumliche und zeitliche Priors aus 3D- und Videodiffusionsmodellen über eine orthogonale Verteilungstransfer-Mechanik in ein entkoppeltes STD-4D-Diffusionsmodell integriert, um hochwertige 4D-Inhalte trotz fehlender großer 4D-Datensätze zu generieren.
Die Autoren stellen eine neue Theorie für Axiomatische On-Manifold-Shapley-Attribution vor, die auf optimalen generativen Flüssen und der Minimierung der kinetischen Energie basiert, um die Probleme von Off-Manifold-Artefakten zu lösen und eine geometrisch effiziente, stabile sowie semantisch kohärente Erklärungsmethode zu gewährleisten.
Die Arbeit stellt GEM-TFL vor, ein zweiphasiges Framework, das durch EM-gestützte Dekomposition, graphbasierte Verfeinerung und zeitliche Konsistenz die Lücke zwischen schwacher und vollständiger Aufsicht für die präzise Lokalisierung von Video- und Audiofälschungen schließt.
Die Arbeit stellt Diff-ES vor, einen neuartigen Pruning-Ansatz für Diffusionsmodelle, der mittels evolutionärer Suche ein optimales stufenweises Sparsitäts-Schema ermittelt und durch effizientes Weight-Routing eine signifikante Beschleunigung bei minimalen Qualitätsverlusten ermöglicht.
Das Paper stellt BLINK vor, ein rekurrentes Zustandsraummodell, das latente Interaktionsdynamiken zwischen NK-Zellen und Tumorzellen aus Zeitreihendaten lernt, um zytotoxische Ergebnisse präziser zu erkennen, vorherzusagen und interpretierbare Verhaltensmuster aufzudecken.