5495 Arbeiten
Die Autoren stellen einen Feedback-Reinforcement-Learning-Rahmen vor, der durch die Einführung des ersten groß angelegten menschlichen Feedback-Datensatzes für die Infrarot- und sichtbare Bildfusion sowie die Optimierung mittels eines Belohnungsmodells und Group Relative Policy Optimization die Qualität fusionierter Bilder an menschliche ästhetische Präferenzen anpasst.
Das Paper stellt Yolo-Key-6D vor, einen schnellen und präzisen einstufigen Framework zur monokularen 6D-Pose-Schätzung, der durch die Integration eines Keypoint-Hilfsheads und eine stabile Rotationsschätzung Echtzeitanwendungen in Robotik und Erweiteter Realität ermöglicht.
Die Arbeit stellt UniSync vor, ein einheitliches Framework, das durch eine innovative Kombination aus maskenfreiem Training und maskenbasierter Inferenz hochrealistische Lippen-Synchronisation in komplexen Szenarien wie stilisierten Avataren oder extremer Beleuchtung ermöglicht und dabei den neuen RealWorld-LipSync-Benchmark einführt.
Diese Arbeit stellt ein neuartiges, konvolutional inspiriertes Netzwerk vor, das die Klassifizierung von Metadaten keilschriftlicher Tontafeln durch eine schrittweise Down-Skalierung der Punktwolken und die Integration lokaler sowie globaler Informationen ermöglicht und dabei die Leistungsfähigkeit des aktuellen State-of-the-Art-Modells Point-BERT übertrifft.
Die Arbeit stellt ein einheitliches Bewertungsframework mit neuen Metriken und der verbesserten Methode SURE+ vor, das die gemeinsame Erfassung von Out-of-Distribution-Daten und Klassifikationsfehlern ermöglicht, um zuverlässigere und vertrauenswürdige KI-Modelle für reale Anwendungen zu schaffen.
Die Arbeit stellt eine modulare, asynchrone Tracking-Architektur (MATA) vor, die Transformer-basierte Verfolgung mit einem erweiterten Kalman-Filter und Ego-Bewegungskompensation kombiniert, und führt ein hardwareunabhängiges Evaluierungsprotokoll mit der neuen Metrik „Normalized time to Failure" ein, um die Echtzeitfähigkeit auf eingebetteten UAV-Systemen zu verbessern.
Die Autoren stellen mit FGAesthetics eine neue Datenbank für feinkörnige ästhetische Bildbewertungen vor und entwickeln das FGAesQ-Framework, das durch relative Rangordnungen und innovative Techniken wie DiffToken, CTAlign und RankReg präzise ästhetische Scores auch bei subtilen Bildunterschieden lernt.
Dieses Paper stellt eine Methode namens N-gram-Injektion vor, die Transformer-basierte Modelle für die Handschrifterkennung ermöglicht, ihre Sprachmodellierung zur Laufzeit dynamisch an neue Textverteilungen anzupassen und so die Leistung bei Sprachverschiebungen ohne zusätzliches Training auf Ziel-Daten zu verbessern.
Die Arbeit stellt DISC vor, ein neuartiges, voll GPU-beschleunigtes Framework für die großflächige Open-Set-Semantische Kartierung, das durch eine einstufige, gewichtete Extraktion von CLIP-Embeddings und eine Echtzeit-Voxel-Verfeinerung die Limitierungen bestehender instanzbasierter Ansätze überwindet und so eine robuste, latenzfreie robotische Wahrnehmung ermöglicht.
Die Arbeit stellt CMDR-IAD vor, ein leichtgewichtiges, unüberwachtes Framework für die industrielle Anomalieerkennung, das durch bidirektionale 2D-3D-Kreuzmodalkartierung und eine duale Rekonstruktionsarchitektur robuste und präzise Ergebnisse sowohl in multimodalen als auch in einmodalen Szenarien erzielt.
Diese Studie zeigt, dass ein auf DenseNet121 basierendes Deep-Learning-Modell hyper- und hypointense Artefakte in hochb-Wertigen Brust-DWI-Aufnahmen (b=1500 s/mm²) mit hoher Genauigkeit erkennen und lokalisieren kann, was die slice-basierte Bildqualitätssicherung unterstützt.
Diese Arbeit stellt Spatial Causal Prediction (SCP) als neue Aufgabe vor, die Modelle herausfordert, über sichtbare räumlich-zeitliche Zusammenhänge hinaus zu schließen, und führt mit SCP-Bench einen umfassenden Benchmark ein, der erhebliche Lücken zwischen menschlicher und maschineller Leistung in der räumlich-kausalen Vorhersage aufzeigt.
Die Arbeit stellt RVN-Bench vor, einen kollisionsbewussten Benchmark auf Basis von Habitat 2.0 und HM3D-Szenen, der das Training und die Evaluierung sicherer visueller Navigation für mobile Roboter in komplexen Innenräumen ermöglicht.
Dieses Papier stellt eine Methode zur Synthese von Trainingsdaten und ein entsprechendes Netzwerk vor, die durch die Generierung von unalignierten Bildpaaren mit strukturerhaltenden, diversen Texturen und die Entkopplung von Farb- und Strukturinformationen eine robuste und generalisierte Homographieschätzung über verschiedene Modalitäten hinweg ermöglichen.
Die Arbeit stellt den Structural Action Transformer (SAT) vor, ein auf einer strukturbasierten Perspektive beruhendes Imitationslern-Verfahren, das durch die Darstellung von Aktionen als variable, ungeordnete Reihenfolge von Gelenktrajektorien und die Nutzung eines Embodied Joint Codebooks effizientes Cross-Embodiment-Transferlernen für hochgradig dexterous Roboterhände ermöglicht.
Das Paper stellt ProFound vor, einen spezialisierten Vision-Foundation-Modell für die Prostata-multiparametrische MRT, das durch selbstüberwachtes Lernen auf über 22.000 Volumina trainiert wurde und bei 11 verschiedenen klinischen Aufgaben die Leistung bestehender spezialisierter Modelle übertroffen oder zumindest gleichgezogen hat.
Das Open-Source-Projekt BLOCK stellt eine zweistufige Pipeline vor, die mithilfe eines Large Multimodal Model (MLLM) und eines feinabgestimmten FLUX.2-Modells in Kombination mit der EvolveLoRA-Methode pixelgenaue Minecraft-Skins aus beliebigen Charakterkonzepten generiert.
Das Paper stellt UniRain vor, ein einheitliches Bildentwässerungsframework, das durch eine auf Retrieval-Augmented Generation basierende Datensatz-Distillation und eine multi-objektive, neu gewichtete Optimierung in asymmetrischen Mixture-of-Experts-Architekturen eine robuste Generalisierung über diverse Regenbedingungen hinweg ermöglicht.
Die vorgestellte Arbeit überwindet die Skalierbarkeitshürden bei der Vorverarbeitung von dichten Ereignisströmen durch eine neuartige selbstüberwachte Methode, die visuelle Grundmodelle mittels eines strukturwahrnehmenden Distillationsverlusts nutzt, um semantisch kohärente und hochauflösende Ereignisrepräsentationen zu erzeugen, die in nachgelagerten Aufgaben deutlich bessere Generalisierung und Transferleistung erzielen.
Die Arbeit stellt Dual-Solver vor, einen generalisierten ODE-Löser für Diffusionsmodelle, der durch lernbare Parameter die Vorhersageart, das Integrationsgebiet und die Residuenanpassung optimiert, um bei geringer Anzahl an Funktionenauswertungen die Bildqualität und CLIP-Werte signifikant zu verbessern.