5561 Arbeiten
Die Arbeit stellt ScribeTokens vor, eine Tokenisierung digitaler Tinte mit einem festen 10-Token-Wortschatz, die durch aggressive BPE-Kompression und ein selbstüberwachtes Vortraining sowohl bei der Generierung als auch bei der Erkennung von Handschrift die Leistungsfähigkeit bestehender Vektor- und Token-basierter Ansätze übertrifft.
Diese Arbeit stellt proviert skalierungsinvariante Gaußsche Ableitungs-Residualnetzwerke (GaussDerResNets) vor, die durch die Kombination von skalierungskovarianten Blöcken mit Residualverbindungen eine hohe Genauigkeit bei gleichzeitiger robuster Generalisierung auf unbekannte Bildskalen ermöglichen und deren Wirksamkeit sowie Effizienz durch ablation studies auf verschiedenen Datensätzen nachgewiesen wird.
Die Studie zeigt, dass große Vision-Language-Modelle Knoteninformationen bereits im visuellen Encoder linear kodieren, während die Darstellung von Kanten erst in den Text-Token des Sprachmodells entsteht, was die Schwierigkeiten dieser Modelle beim Verständnis von Beziehungen und Richtungen in Diagrammen erklärt.
Die vorgestellte Arbeit führt einen multimodal-prior-gesteuerten Importance-Sampling-Ansatz für hierarchisches 3D-Gaussian-Splatting ein, der photometrische, semantische und geometrische Hinweise kombiniert, um bei der Rekonstruktion aus wenigen Ansichten eine robuste Detailverfeinerung zu ermöglichen und Überanpassung zu verhindern.
SIGMark ist ein skalierbares, verzerrungsfreies Wassermarkierungsframework für Video-Diffusionsmodelle, das durch die Generierung von Wasserzeichen-Rauschen mittels globaler pseudozufälliger Kodierungsschlüssel eine blinden Extraktion ermöglicht und durch ein Segment-Gruppenordnungs-Modul eine hohe Robustheit gegenüber zeitlichen Störungen gewährleistet.
Das Paper stellt SemanticDialect vor, eine semantikbewusste Quantisierungsmethode für Video-Diffusions-Transformer, die durch blockweise gemischte Formatwahl, Aktivitätszerlegung und semantische Zuweisung die Speicher- und Rechenkosten senkt, ohne dabei die Videoqualität im Vergleich zu FP16 zu beeinträchtigen.
Der Artikel stellt StegaFFD vor, ein privatsphäreschonendes Framework zur Gesichtsfälschungserkennung, das sensible Gesichter mittels Steganographie in natürlichen Bildern versteckt und durch spezielle Aufmerksamkeitsmechanismen die Erkennungsgenauigkeit im steganographischen Bereich ohne Verdachtserregung aufrechterhält.
Die Arbeit stellt LLandMark vor, ein modulares Multi-Agenten-Framework, das durch spezialisierte Agenten, die Erkennung kultureller Wahrzeichen und die Nutzung von LLMs sowie OCR-Verbesserungen eine adaptive, erklärbar und kulturell fundierte multimodale Video-Retrieval für komplexe reale Anfragen, insbesondere im vietnamesischen Kontext, ermöglicht.
Das Paper stellt MVD-HuGaS vor, eine Methode zur hochfidelien 3D-Mensch-Rekonstruktion aus einem einzigen Bild, die durch einen feinabgestimmten Multi-View-Diffusionsmodell, ein Kamerapositions-Alignement-Modul und eine depth-basierte Gesichtsverzerrungsreduktion state-of-the-art Ergebnisse erzielt.
Die Arbeit stellt 3D-DRES, eine neue Aufgabe zur feinkörnigen 3D-Referenzsegmentierung, sowie das dazugehörige Datenset DetailRefer und das Basismodell DetailBase vor, die durch eine phrasenbasierte Annotation die präzise Zuordnung von Sprachausdrücken zu 3D-Objekten ermöglichen und gleichzeitig die Leistung bei herkömmlichen 3D-RES-Aufgaben verbessern.
Der Artikel stellt ProGIC vor, einen leichten und fortschrittlichen generativen Bildkompressions-Codec auf Basis von residualer Vektorquantisierung, der durch eine kompakte Architektur und einen stufenweisen Bitstream sowohl eine hohe Kompressionseffizienz als auch eine schnelle Verarbeitung und flexible Übertragung ermöglicht.
Diese Arbeit stellt das Harmonic Beltrami Signature Network (HBSN) vor, ein neuartiges Deep-Learning-Framework, das durch die effiziente Berechnung von harmonischen Beltrami-Signaturen als rotations-, skalierungs- und translationsinvariante Formpriors die Leistung bestehender Bildsegmentierungsmodelle verbessert.
Die Arbeit stellt „Articulation in Motion" (AiM) vor, ein prior-freies Framework, das mittels einer dualen Gaußschen Szenendarstellung und sequentieller RANSAC-Clustering aus einem Interaktionsvideo und einem 3D-Scan automatisch bewegliche Teile, Gelenke und Kinematik von artikulierten Objekten segmentiert und rekonstruiert.
HDINO ist ein effizienter Open-Vocabulary-Detektor, der durch eine zweistufige Trainingsstrategie mit einem One-to-Many-Semantik-Ausrichtungsmechanismus und einem gewichteten Klassifikationsverlust auf manuell kuratierte Datensätze verzichtet und gleichzeitig die Leistung bestehender Methoden wie Grounding DINO und T-Rex2 übertrifft.
GloPath ist ein entitätszentriertes Grundmodell, das auf über einer Million Glomeruli trainiert wurde und durch überlegene Leistung bei der Bewertung von glomerulären Läsionen sowie durch die Entdeckung neuer klinikopathologischer Zusammenhänge einen bedeutenden Fortschritt für die klinisch anwendbare KI in der Nierenpathologie darstellt.
Die Arbeit stellt TC-Padé vor, ein neues Feature-Caching-Framework, das auf Padé-Approximationen basiert, um die Inferenzgeschwindigkeit von Diffusionsmodellen im praktischen Low-Step-Bereich signifikant zu steigern, ohne dabei die Generierungsqualität zu beeinträchtigen.
Die Arbeit stellt einen leichten Rahmen für das semi-überwachte Lernen bei Klassenungleichgewicht vor, der erstmals den Proportion Loss aus dem Lernen aus Label-Anteilen als Regularisierungsterm einführt, um durch die Ausrichtung der Modellvorhersagen an der globalen Klassenverteilung die Verzerrung zugunsten von Mehrheitsklassen zu mindern und die Leistung unter knappen Label-Bedingungen zu verbessern.
Die vorgestellte Arbeit adressiert das Problem der Klassenungleichgewichte bei der Few-Shot-Anpassung von Vision-Language-Modellen in der medizinischen Bildgebung, indem sie einen effizienten semi-supervisierten Ansatz einführt, der ungelabelte Daten nutzt, um den Annotationaufwand in extrem wenigen Beispielen um mehr als 50 % zu reduzieren.
Diese Arbeit stellt einen Ansatz zur Verbesserung der industriellen Anomalieerkennung vor, der eine foundation-model-basierte Synthese realistischer Anomalien (FMAS) mit einem Wavelet-Domain-Attention-Modul (WDAM) kombiniert, um die Detektionsempfindlichkeit ohne Feinabstimmung zu steigern.
Die Arbeit stellt TagaVLM vor, ein End-to-End-Framework, das durch die explizite Integration topologischer Strukturen in die Architektur von Vision-Language-Modellen die räumliche Reasoning-Fähigkeit für die Vision-Language-Navigation verbessert und auf dem R2R-Benchmark neue Bestleistungen erzielt.