5400 Arbeiten
Die Arbeit stellt S²-Guidance vor, eine trainingsfreie Methode, die durch stochastisches Block-Dropping Subnetzwerke nutzt, um die suboptimalen Vorhersagen von Classifier-free Guidance zu korrigieren und so die Qualität sowie semantische Kohärenz von generierten Bildern und Videos zu verbessern.
Dieses Konzeptpapier stellt das Adaptive Quantized Planetary Crater Detection System (AQ-PCDSys) vor, eine Architektur, die durch Quantisierungsbewusstes Training und adaptive Multi-Sensor-Fusion die Echtzeit-Erkennung von Planetenkranzern auf ressourcenbeschränkter, strahlungsharter Weltraumhardware ermöglicht.
Das Paper stellt ROBUST-MIPS vor, einen kombinierten Datensatz aus Skelett-Pose- und Instanz-Segmentierungsannotationen für laparoskopische Instrumente, der die Effizienz der Datenerstellung verbessert und einen direkten Vergleich dieser beiden Annotationstechniken für die chirurgische Werkzeuglokalisierung ermöglicht.
Die Autoren stellen einen leichten Token-Pruning-Ansatz vor, der durch eine binäre Klassifikation und eine Max-Pooling-Verfeinerung nicht-informative Hintergrundbereiche aus Dokumentenbildern filtert, um die Rechenkosten von Vision-Language-Modellen bei der Dokumentenanalyse erheblich zu senken, ohne die Genauigkeit zu beeinträchtigen.
QDFlow ist ein Open-Source-Python-Paket, das realistische synthetische Daten für Quantenpunkt-Arrays mit Ground-Truth-Labels generiert, um die Entwicklung und Validierung von Machine-Learning-Methoden zur Kalibrierung und zum Betrieb dieser Geräte zu erleichtern.
Dieses Paper stellt einen neuen, architekturunabhängigen Block für dynamische Skip-Connections vor, der durch Test-Time-Training und dynamische Multi-Scale-Kernel die starren und unzureichenden Fusionsmechanismen herkömmlicher U-Net-Architekturen überwindet und so die medizinische Bildsegmentierung in verschiedenen Netzwerktypen signifikant verbessert.
Diese Arbeit stellt mit ActiSeg-NL den ersten Benchmark für die label-noise-robuste, aktionsbasierte Videosegmentierung vor, analysiert systematisch die Auswirkungen von Text- und Maskenrauschen und führt einen Parallel Mask Head Mechanism (PMHM) zur Verbesserung der Robustheit ein.
Die Autoren stellen einen extrem schnellen lokalen Löser vor, der auf Basis von RGB-D-Bildern und kategorisierten Objektpriors gleichzeitig Form und Pose schätzt und dabei durch eine Eigenwertzerlegung eine globale Optimalitätsgarantie in weniger als einer Millisekunde bietet.
Die Arbeit stellt den „Raw-JPEG Adapter" vor, einen leichten, lernbaren und invertierbaren Preprocessing-Prozess, der Rohbilder für die effiziente Kompression im JPEG-Format vorbereitet und dabei eine hohe Rekonstruktionsqualität bei kompaktem Speicherbedarf gewährleistet.
Das Paper stellt Vision-Zero vor, ein skalierbares, label-freies Multi-Agenten-Self-Play-Framework, das Vision-Language-Modelle durch strategische Spiele mit beliebigen Bildern und einen neuartigen iterativen Trainingsalgorithmus (Iterative-SPO) verbessert, um ohne menschliche Annotationen state-of-the-art Ergebnisse in visuellen Verstehens- und Reasoning-Aufgaben zu erzielen.
Diese Arbeit stellt ein trainingsfreies Framework für die belohnungsgesteuerte Bildbearbeitung vor, das den Diffusionsprozess als steuerbare Trajektorie formuliert und durch adjungierte Zustände eine optimale Balance zwischen der Maximierung der Zielbelohnung und der Erhaltung des semantischen Inhalts der Quelldaten erreicht.
Die Arbeit stellt eine umfassende Untersuchung zur Generierung und Bearbeitung strukturierter Visualisierungen vor, die durch ein neuartiges 1,3-Millionen-Datensatz-Training, ein einheitliches Modell mit FLUX.1-Kontext und Reasoning-Fähigkeiten sowie den neuen Benchmark StructBench die Lücke in der faktischen Genauigkeit bestehender Bildgenerierungsmodelle schließt.
Das Paper stellt TIGeR vor, ein Framework, das Vision-Language-Modelle durch die Generierung und Ausführung präziser geometrischer Berechnungen mit externen Tools von reinen Schätzern zu rechnerischen Systemen weiterentwickelt und so durch ein neues Datenset sowie ein zweistufiges Trainingsverfahren Zentimeter-Genauigkeit für robotische Manipulationsaufgaben erreicht.
Die Arbeit stellt ToMCLIP vor, ein neuartiges Framework, das durch die Integration topologieerhaltender Constraints mittels persistenter Homologie die globale Geometrie multilingualer Vision-Language-Embedding-Räume verbessert und so die Verzerrung zugunsten der englischen Sprache sowie die Null-Shot- und Abrufleistung signifikant steigert.
Die Arbeit stellt COGS vor, ein dateneffizientes Framework, das durch die Zerlegung von Seed-Fragen in primitive Faktoren und deren systematische Neukombination mit synthetischen Bildern große Mengen an Trainingsdaten für das visuelle Schlussfolgern von Multi-modalen Large Language Models generiert und so deren Leistungsfähigkeit insbesondere bei komplexen, zusammengesetzten Aufgaben erheblich steigert.
Die Studie zeigt, dass die Zuverlässigkeit von Mahalanobis-basierten OOD-Detektoren stark von der geometrischen Struktur des Merkmalsraums abhängt, und führt eine neuartige radiale Skalierung der -Normalisierung ein, um die Detektionsleistung durch gezielte Anpassung der In-Distribution-Geometrie zu verbessern.
Das Paper stellt Kaleido vor, ein Open-Source-Framework zur Generierung von konsistenten Videos aus mehreren Referenzbildern, das durch eine spezialisierte Datenkonstruktionspipeline und eine neue Referenz-Rotary-Positional-Encoding-Methode (R-RoPE) die bestehenden Grenzen bei der Mehrsubjekt-Konsistenz und Hintergrundentflechtung überwindet.
Die Arbeit stellt das Prior-guided Concept Predictor (PCP) vor, ein schwach überwachtes Framework, das ohne explizite Konzept-Annotationen auskommt und durch die Nutzung von Klassen-prior-Wissen sowie Regularisierung die Vorhersage interpretierbarer medizinischer Konzepte signifikant verbessert.
Dieses Papier stellt einen neuartigen Rahmen vor, der die Geometrie und das Erscheinungsbild durch eine texturgesteuerte, gemeinsame Optimierung von Mesh und Gaußschen Verteilungen vereint, um hochwertige 3D-Rekonstruktionen für nachgelagerte Bearbeitungsaufgaben wie Relighting und Formverformung zu ermöglichen.
Die Arbeit stellt einen neuartigen Rahmen zur semantischen Segmentierung unter extremen Bedingungen vor, der durch eine edge-bewusste Re-Codierung und Unsicherheitsoptimierung die heterogenen Merkmale von Event- und RGB-Daten robust fusioniert, um Informationsverluste bei schlechten Lichtverhältnissen oder starker Kamerabewegung zu überwinden.