5480 Arbeiten
Die Arbeit stellt Probe-Select vor, eine effiziente Plug-in-Methode, die die Bildqualität von Text-zu-Bild-Generierungsmodellen bereits anhand früher Denoiser-Aktivierungen vorhersagt, um vielversprechende Samen frühzeitig auszuwählen und so die Sampling-Kosten um über 60 % zu senken, ohne das zugrunde liegende Modell zu verändern.
Diese Arbeit erweitert die 3D-Gaussian-Splatting-Methode auf nicht-exponentielle Strahlungstransportmodelle, die durch eine quadratische Transmittanz definiert werden und bei vergleichbarer Bildqualität eine bis zu vierfache Beschleunigung durch reduzierte Overdraws ermöglichen.
Das Paper stellt TRACE vor, ein neuartiges Framework für universelle multimodale Retrieval, das durch die Generierung und Komprimierung von Chain-of-Thought-Reasoning in einen kompakten Embedding-Token die Genauigkeit bei komplexen Abfragen verbessert, gleichzeitig aber durch implizites Routing die Effizienz bei einfachen Anfragen erhält und somit den aktuellen State-of-the-Art auf dem M-BEIR-Benchmark übertrifft.
Das Paper stellt MoECLIP vor, ein Mixture-of-Experts-Modell für die Zero-Shot-Anomalieerkennung, das durch dynamisches Patch-Routing zu spezialisierten LoRA-Experten sowie durch orthogonale Merkmalsseparation und ETF-Verlust die Generalisierungsfähigkeit von CLIP erhält und gleichzeitig eine präzise Anpassung an Anomalien ermöglicht, wodurch es auf 14 Benchmark-Datensätzen den State-of-the-Art übertrifft.
Die Arbeit stellt ProSMA-UNet vor, ein U-Net-Modell, das durch decoder-konditionierte, sparse Feature-Auswahl mittels eines -proximalen Operators und mehrskaliger Kompatibilitätsfelder Rauschen in Skip-Connections effektiv unterdrückt und damit insbesondere bei schwierigen 3D-Medizinbildsegmentierungen einen neuen State-of-the-art erreicht.
Die Arbeit stellt SpeciaRL vor, einen neuartigen, spezifitätsbewussten Reinforcement-Learning-Rahmen, der Large Multimodal Models durch eine dynamische, verifizierbasierte Belohnungsfunktion so feinabstimmt, dass sie im offenen Welt-Szenario präzise und korrekte Feinklassifizierungen von visuellen Konzepten liefern.
Diese Arbeit stellt eine umfassende Übersicht über Deep Sketch-Based 3D Modeling (DS-3DM) vor, indem sie ein neues, auf dem IMO-Framework basierendes Design-Schema namens MORPHEUS einführt, das aktuelle Methoden kategorisiert, deren Grenzen aufzeigt und interdisziplinäre Forschungsrichtungen für benutzerzentrierte, kontrollierbare 3D-Modellierung identifiziert.
Die Studie zeigt, dass der Transferlernen-Ansatz für die Gebärdenzeichenerkennung durch die Nutzung ikonischer Ähnlichkeiten zwischen verschiedenen Zeichensprachen (z. B. Chinesisch zu Arabisch und Griechisch zu Flämisch) signifikante Leistungsverbesserungen erzielt, wobei Mediapipe-Features mit MLP- und GRU-Architekturen verarbeitet wurden.
Diese Arbeit stellt mHC-HSI vor, ein neuartiges, durch Clustering geführtes Hyper-Connection-Mamba-Modell, das durch die Integration physikalisch sinnvoller Spektralgruppen und weicher Cluster-Zugehörigkeitskarten die Genauigkeit und Interpretierbarkeit der Klassifizierung hyperspektraler Bilder verbessert.
Die Studie zeigt, dass herkömmliche Genauigkeitsmetriken in der multimodalen medizinischen Bildanalyse irreführend sein können, da sie oft textbasierte Abkürzungen belohnen und eine neue, gegenkontrastive Evaluierungsframework mit Metriken wie dem Visual Reliance Score (VRS) und der Halluzinierten Visuellen Schlussfolgerungsrate (HVRR) vorschlägt, um das tatsächliche visuelle Verständnis von Modellen zu messen und zu verbessern.
Die Arbeit stellt Proact-VL, ein proaktives VideoLLM-Framework, und den Live Gaming Benchmark vor, um die Herausforderungen niedriger Latenz, autonomer Antwortentscheidungen und kontrollierter Inhaltsqualität für interaktive KI-Begleiter in Echtzeit zu lösen.
Diese Studie untersucht, wie sich verschiedene Lokalisierungsfehler (Ramp-, Gauß- und Perlin-Rauschen) auf die Qualität von Labels für den Online-Bau von HD-Karten auswirken, und zeigt, dass insbesondere Winkelabweichungen die Leistung von Modellen wie MapTRv2 stärker beeinträchtigen als Positionsfehler, wobei die Leistung mit zunehmendem Anteil an verrauschten Daten überproportional abnimmt.
Das Paper stellt PERSIST vor, ein neues Paradigma für interaktive Weltmodelle, das durch die Simulation eines latenten 3D-Szenenraums mit persistierendem Speicher eine konsistente Geometrie und räumliche Stabilität über lange Zeiträume hinweg ermöglicht und damit bestehende Methoden in Bezug auf 3D-Konsistenz und langfristige Interaktivität übertrifft.
Die Arbeit stellt Phys4D vor, eine Pipeline, die durch ein dreistufiges Trainingsparadigma aus Video-Diffusionsmodellen physik-konsistente 4D-Weltdarstellungen ableitet und dabei geometrische Kohärenz sowie langfristige physikalische Plausibilität signifikant verbessert.
Diese Studie stellt einen neuartigen, geographisch gewichteten, schwach überwachten Bayesianischen High-Resolution Transformer vor, der Sentinel-1-, RCM- und AMSR2-Daten fusioniert, um eine präzise 200-m-Auflösung der Meereiskonzentration im gesamten Arktischen Ozean mit zuverlässiger Unsicherheitsschätzung zu ermöglichen.
Das Paper stellt PhyPrompt vor, ein auf Bestärkendem Lernen basierendes Framework, das durch einen zweistufigen Prozess und ein dynamisches Belohnungscurriculum Eingabe-Prompts automatisch so verfeinert, dass Text-zu-Video-Modelle physikalisch plausible Ergebnisse liefern, ohne dabei die semantische Genauigkeit zu beeinträchtigen.
Das Paper stellt PinCLIP vor, ein groß angelegtes multimodales Repräsentationsmodell auf Basis eines hybriden Vision-Transformers, das durch eine neuartige Nachbarn-Ausrichtungszielsetzung die Bild-Text-Ausrichtung bei Pinterest verbessert und sowohl die Offline-Leistung als auch die Online-Engagement-Metriken, einschließlich der Lösung des Cold-Start-Problems, signifikant steigert.
Das Papier stellt PolyV vor, ein einheitliches Large Vision Model, das durch eine spezialisierte Mixture-of-Experts-Architektur und ein synergieorientiertes Trainingsparadigma die tiefgreifende wechselseitige Verstärkung von Bild-, Video- und 3D-Daten ermöglicht und dabei bestehende Modelle signifikant übertroffen hat.
Die Studie stellt einen neuartigen, vertrauensbewussten Rahmen zur monokularen Tiefenschätzung in der minimal-invasiven Chirurgie vor, der durch kalibrierte Vertrauensziele und eine entsprechende Verlustfunktion die Genauigkeit verbessert und gleichzeitig pixelgenaue Konfidenzschätzungen für eine zuverlässigere klinische Anwendung liefert.
Die Arbeit stellt L2G-Det vor, ein neuartiges Framework für die Instanzerkennung in offenen Welten, das durch dichten Patch-Matching und die Prompting-Erweiterung des Segment-Anything-Modells (SAM) robuste Objektsegmentierung ohne explizite Vorschläge ermöglicht.