5372 Arbeiten
Diese Arbeit stellt einen neuartigen, physikbasierten Rahmen für die Synthese von Mensch-Objekt-Interaktionen vor, der Vision-Language-Modelle nutzt, um durch eine automatisch entworfene relative Bewegungs-Dynamik (RMD) langlebige und vielfältige Interaktionen ohne manuelles Reward-Engineering zu ermöglichen.
Diese Arbeit stellt \data, einen interaktionsfokussierten Datensatz, und \model, ein neues Verfahren zur Verfeinerung von Text-zu-Bild-Generierung durch Zerlegung und MLLM-gestützte Kritik, vor, um die Darstellung komplexer Objektinteraktionen zu verbessern.
Die Studie stellt „Inception" vor, den ersten Multi-Turn-Jailbreak-Angriff auf Text-zu-Bild-Systeme, der deren Speichermechanismen ausnutzt, um durch segmentierte und rekursive Prompt-Manipulation Sicherheitsfilter zu umgehen und die Erfolgsrate von Angriffen signifikant zu steigern.
Die Studie stellt ein neuartiges Multitask-Learning-Framework namens CSASN vor, das durch die Kombination von EfficientNet und Vision-Transformern mit einem dualen Aufmerksamkeitsmechanismus die präzise Erkennung seltener Schilddrüsenkarzinome in Ultraschallbildern trotz heterogener Merkmale und Datenungleichgewichts ermöglicht.
Diese Arbeit charakterisiert das von Apple in iPhone-Porträtmodi erzeugte synthetische Defokus-Rauschmuster (SDNP), entwickelt Methoden zu dessen präziser Modellierung und zeigt auf, wie dessen Berücksichtigung die Zuverlässigkeit von PRNU-basierten forensischen Quellenverifizierungen verbessert und neue Spuren für die Geräteidentifizierung bietet.
Die Arbeit stellt MoB vor, eine Methode zur visuellen Token-Pruning, die durch die Formulierung als bi-zielgerichtetes Abdeckungsproblem und die Nutzung von Hausdorff-Distanz sowie -Abdeckungstheorie einen optimalen Kompromiss zwischen Prompt-Ausrichtung und visueller Erhaltung findet, wodurch bei Multimodalen Large Language Models wie LLaVA eine signifikante Beschleunigung bei minimalem Leistungsverlust erreicht wird.
Diese Studie stellt eine vergleichende Analyse traditioneller OCR-Systeme und moderner Large Language Models (LLMs) für die Erkennung von Urdu-Zeitungstexten vor, bei der durch die Einführung des neu annotierten Urdu Newspaper Benchmark (UNB) sowie durch Optimierungen wie Super-Resolution und Feinabstimmung gezeigt wird, dass angepasste LLMs wie GPT-4o und Gemini-2.5-Pro die Genauigkeit bei komplexen Nastaliq-Schriften erheblich steigern können.
Die Arbeit stellt eine extrem einfache und theoretisch fundierte Methode namens Feature Mixing zur Synthese multimodaler Ausreißer für die Verbesserung der Out-of-Distribution-Erkennung und -Segmentierung vor, ergänzt durch einen neuen Datensatz namens CARLA-OOD, und demonstriert damit einen neuen State-of-the-Art mit einer bis zu 370-fachen Geschwindigkeitssteigerung.
Dieses Paper stellt das BAH-Dataset vor, eine multimodale Videodatenbank mit 1.427 Aufnahmen von 300 Teilnehmern, die zur automatischen Erkennung von Ambivalenz und Zögern in digitalen Verhaltensänderungsinterventionen dient und erste Benchmark-Ergebnisse für die Entwicklung angepasster Modelle liefert.
Die Arbeit stellt TADA vor, ein Framework zur gezielten Bildaugmentation mittels Diffusionsmodellen, das durch selektive Erweiterung nur derjenigen Trainingsdaten, die zu Beginn des Lernprozesses noch nicht erfasst wurden, die Generalisierungsfähigkeit von Bildklassifizierern effizient verbessert und dabei den Rechenaufwand im Vergleich zu herkömmlichen Methoden signifikant reduziert.
Die Autoren stellen ein energieeffizientes und kostengünstiges System zur strukturellen Schwingungsüberwachung vor, das eine gemeinsam optimierte diffraktive Schicht mit einem neuronalen Netz kombiniert, um 3D-Schwingungsspektren von Bauwerken präzise und in Echtzeit zu rekonstruieren.
Das Paper stellt EgoWorld vor, ein neuartiges Framework, das mithilfe von reichhaltigen exozentrischen Beobachtungen wie Punktwolken, 3D-Handposen und Textbeschreibungen sowie einem Diffusionsmodell eine robuste und generalisierbare Übersetzung von Drittanbieter- in Egoperspektiven für AR-, VR- und Robotikanwendungen ermöglicht.
Die vorgestellte Arbeit schlägt das PWOOD-Framework vor, das durch die Kombination von partiell schwachen Annotationen, einem orientierungs- und skalensensitiven Schülermodell sowie einer klassenunabhängigen Filterstrategie die Kosten für die Annotation von orientierten Objekterkennungsaufgaben senkt und dabei die Leistung halbüberwachter Methoden erreicht oder übertrifft.
Die vorgestellte Arbeit entwickelt „Fast Equivariant Imaging" (FEI), ein neuartiges unüberwachtes Lernframework, das durch die Kombination von Augmented Lagrangian und Plug-and-Play-Denoisern das Training von Bildgebungsnetzwerken ohne Ground-Truth-Daten um den Faktor 10 beschleunigt und gleichzeitig die Generalisierungsleistung verbessert.
Der Artikel stellt D2Dewarp vor, ein tiefes Lernmodell zur Entzerrung von Dokumentenbildern, das durch eine feingranulare Wahrnehmung von Verzerrungen in horizontaler und vertikaler Richtung sowie einen neuen annotierten Datensatz (DocDewarpHV) einen neuen Stand der Technik erreicht.
Das Paper stellt VITA vor, ein effizientes, visuell fundiertes Flow-Matching-Rahmenwerk, das durch den direkten Übergang von visuellen Repräsentationen zu latenten Aktionen ohne iterative Denoising-Prozesse oder visuelle Konditionierung die Inferenzgeschwindigkeit um das 1,5- bis 2-Fache steigert und dabei die Leistungsfähigkeit bestehender State-of-the-Art-Policies erreicht oder übertrifft.
Die Studie stellt eine neuartige Methode namens „Persistent Homology Convolutions" vor, die lokale topologische Merkmale in histopathologischen Bildern erfasst und dadurch die Klassifizierungsgenauigkeit sowie die Robustheit gegenüber Hyperparametern im Vergleich zu herkömmlichen CNN-Architekturen verbessert.
Die vorgestellte Arbeit stellt Image-Adaptive Prompt Learning (IAPL) vor, ein neuartiges Verfahren zur Erkennung KI-generierter Bilder, das durch dynamische, bildspezifische Prompt-Anpassungen während der Inferenz eine überlegene Generalisierungsfähigkeit auf unbekannte Fälschungen erreicht und dabei State-of-the-Art-Ergebnisse erzielt.
Der Artikel stellt GaitSnippet vor, eine neue Methode zur Gangerkennung, die Silhouetten als zufällige Snippets aus kontinuierlichen Sequenzen behandelt, um durch die Kombination von Multi-Scale-Temporal-Kontext die Limitationen bestehender set- und sequenzbasierter Ansätze zu überwinden und dabei auf vier Datensätzen hohe Genauigkeitswerte zu erzielen.
Das Paper stellt Veason-R1 vor, ein spezialisiertes Large Vision Language Model für das Video-Reasoning-Segmentieren, das durch eine Kombination aus Chain-of-Thought-Initialisierung und Group Relative Policy Optimization (GRPO) strukturiertes räumlich-zeitliches Denken erlernt und damit den aktuellen Stand der Technik in mehreren Benchmarks deutlich übertrifft.