5475 Arbeiten
NeuCLIP ist ein neuartiges Optimierungsframework, das durch die Umformulierung des CLIP-Verlusts mittels konvexer Analyse und die Approximation der Normalisierungsterme über ein kompaktes neuronales Netz mittels Variationsanalyse eine effiziente und präzise Training von CLIP-Modellen auf großen Datensätzen ermöglicht.
Die Arbeit „Scriboora" stellt eine einheitliche Trainings- und Evaluierungspipeline für die Vorhersage menschlicher Posen vor, zeigt durch die Anpassung moderner Sprachmodelle verbesserte State-of-the-Art-Ergebnisse auf und untersucht die Robustheit gegenüber realistischen Rauschproblemen aus Pose-Schätzungen.
Das Paper stellt MatPedia vor, ein universelles generatives Fundamentmodell, das mithilfe einer neuartigen gemeinsamen RGB-PBR-Repräsentation und Video-Diffusionsarchitekturen hochwertige, physikalisch basierte Materialien aus Text oder Bildern erzeugt und dabei verschiedene Aufgaben in einem einzigen Framework vereint.
Das Paper stellt VideoChat-M1 vor, ein neuartiges Multi-Agenten-System, das durch eine kollaborative Policy-Planung und Multi-Agenten-Reinforcement-Learning die Videoverständnisfähigkeiten von Multimodalen Large Language Models verbessert und dabei state-of-the-art-Ergebnisse auf acht Benchmarks erzielt.
Das Paper stellt UniLight vor, eine einheitliche latente Repräsentation für Beleuchtung, die durch kontrastives Lernen verschiedene Modalitäten wie Text, Bilder und Umgebungsmaps in einem gemeinsamen Embedding vereint, um eine flexible, modality-übergreifende Manipulation von Licht in visuellen Anwendungen zu ermöglichen.
Die Arbeit stellt den „Measurement-Consistent Langevin Corrector" (MCLC) vor, einen theoretisch fundierten Plug-and-Play-Modul, der die Instabilität latenter Diffusionslösungsansätze für inverse Probleme durch messungskonsistente Langevin-Aktualisierungen behebt und so eine stabilere und zuverlässigere Lösung im latenten Raum ermöglicht.
Die Studie stellt WCC-Net vor, ein vollständig 3D-diffusionsbasiertes Framework, das durch die Integration von Wavelet-basierten strukturellen Priors in einen vortrainierten Diffusionsbackbone die Rauschunterdrückung bei Ganzkörper-PET-Aufnahmen mit niedriger Dosis verbessert und dabei gleichzeitig die anatomische Konsistenz und die Bildqualität über verschiedene Dosislevel hinweg signifikant steigert.
Diese Studie stellt einen mehrstufigen, projektionsbasierten Ansatz vor, der durch die Fusion von 2D-Segmentierungen geschätzte 3D-Masken zur Extraktion von Halswirbel-Volumen nutzt und anschließend Ensemble-Modelle aus CNNs und Transformern einsetzt, um Halswirbelsäulenfrakturen mit einer diagnostischen Genauigkeit zu identifizieren, die der von Expertenradiologen vergleichbar ist.
Die Arbeit stellt VRFT-Aug vor, ein visuelles Reinforcement-Fine-Tuning-Framework für den medizinischen Bereich, das durch Strategien zur Augmentierung von Wahrnehmung und Schlussfolgerung – wie Wissensinjektion und belohnungsbasiertes Shaping – die Leistung von Modellen bei medizinischen Bildaufgaben im Vergleich zu herkömmlichen Methoden signifikant verbessert.
Die erste internationale StepUP-Wettbewerb für biometrische Schritterkennung präsentierte Ergebnisse und Herausforderungen der neuen UNB StepUP-P150-Datenbank, wobei das beste Team mit einer Generative Reward Machine eine Fehlerrate von 10,77 % erreichte, während die Generalisierung auf unbekanntes Schuhwerk als zentrale offene Aufgabe identifiziert wurde.
Der Artikel stellt VidEoMT vor, einen einfachen Encoder-only-Video-Segmentierungsansatz auf Basis von Vision-Transformern, der durch eine leichte Query-Propagierung und -Fusion spezialisierte Tracking-Module eliminiert und dabei eine um den Faktor 5 bis 10 höhere Geschwindigkeit bei wettbewerbsfähiger Genauigkeit erreicht.
Die Arbeit stellt Conflict-aware Adaptive Safety Guidance (CASG) vor, ein trainingsfreies Framework, das durch die dynamische Identifizierung und gezielte Anwendung sicherheitsrelevanter Richtungen für spezifische Kategorien Konflikte zwischen verschiedenen Schadenskategorien bei Text-zu-Bild-Diffusionsmodellen auflöst und so die schädliche Ausgaberate im Vergleich zu bestehenden Methoden signifikant senkt.
Skullptor überbrückt die Lücke zwischen effizienten Einzelbild-Rekonstruktionen und aufwendigen Photogrammetrie-Verfahren, indem es ein Feed-Forward-Modell zur multi-view Normalen-Vorhersage mit einer inversen Rendering-Optimierung kombiniert, um in Sekunden hochpräzise 3D-Kopfgeometrien mit minimalem Kameraaufwand zu erzeugen.
Die Arbeit stellt Momentum Memory Knowledge Distillation (MoMKD) vor, ein neuartiges Framework zur Wissensdistillation, das durch eine momentum-basierte Speichereinheit und die Entkopplung der Gradienten die Stabilität und Generalisierbarkeit von rein histologischen Krebsdiagnosemodellen verbessert, indem es genomische Supervision effektiv nutzt, ohne auf gepaarte Trainingsdaten angewiesen zu sein.
Diese Arbeit stellt einen dynamischen Ansatz zur Visual Place Recognition vor, der automatisch die optimale Karten-Dichte basierend auf benutzerdefinierten Anforderungen an die lokale Trefferquote und die Erreichungsrate bestimmt, um eine zuverlässige Leistung in spezifischen Umgebungsabschnitten zu gewährleisten, ohne unnötige Überdichte zu erzeugen.
Die Arbeit stellt Spatial Credit Redistribution (SCR) vor, eine gewichtsfreie Inferenzmethode, die durch die Umverteilung von Aktivierungen auf benachbarte Bildpatches die räumliche Kreditkonzentration in Vision-Language-Modellen korrigiert und so Halluzinationen signifikant reduziert, ohne die Generierungsqualität oder Latenz beeinträchtigen.
Die Arbeit stellt EvalMVX vor, ein umfassendes Echtwelt-Datenset mit 25 Objekten und 8.500 Bildern unter variierenden Beleuchtungs- und Aufnahmewinkeln, das erstmals eine quantitative Benchmarking von MVS-, MVPS- und MVSfP-Methoden für die neurale 3D-Rekonstruktion ermöglicht und dabei 13 aktuelle Verfahren evaluiert.
Diese Arbeit stellt einen verbesserten MambdaBDA-Rahmen für die robuste Gebäudeerschütterungsbewertung vor, der durch die Integration von Focal Loss, Attention Gates und einem Ausrichtungsmodule die Generalisierungsfähigkeit über verschiedene Katastrophendomänen hinweg signifikant steigert.
Diese Arbeit bietet eine einheitliche Untersuchung der Wechselwirkungen zwischen dem Temperaturparameter und anderen Trainingselementen bei der wissensbasierten Destillation, um praktische Leitlinien für die optimale Temperaturwahl zu entwickeln.
Die Arbeit stellt ITO vor, ein Framework, das durch multimodale Mehrfachausrichtung und eine während des Trainings eingesetzte, aber bei der Inferenz verworfene Fusionsmodul die modalspezifische Trennung in Bild-Text-Vorabtrainingsmodellen überwindet und so die Leistung bei verschiedenen Aufgaben signifikant verbessert.