5561 Arbeiten
Die Arbeit schlägt einen effizienten, unsupervised-Anomalie-Detektionsansatz vor, der DINOv3-Embeddings mittels eines räumlichen autoregressiven CNN-Modells nutzt, um räumliche Abhängigkeiten explizit zu erfassen und dabei Speicherbedarf sowie Inferenzzeit im Vergleich zu bestehenden Methoden signifikant zu reduzieren.
Das Dresdner D4D-Dataset bietet eine umfassende Benchmark aus über 300.000 Bildern und 369 Punktwolken von 98 laparoskopischen Aufnahmen an Schweinekadavern, die durch gepaarte Endoskopie- und Strukturiertlicht-Daten eine quantitative Evaluierung von nicht-rigiden 4D-Rekonstruktions- und SLAM-Methoden in realistischen chirurgischen Szenarien ermöglicht.
Die Arbeit stellt VIRGi vor, eine Methode zur schnellen und fotorealistischen Neukolorierung von 3D-Gaussian-Splatting-Szenen, die durch eine Trennung von diffuser und view-abhängiger Farbe sowie eine effiziente MLP-Fine-Tuning-Strategie auf Basis eines einzigen bearbeiteten Bildes in nur zwei Sekunden realisiert wird.
Die Arbeit stellt den Ultra Resolution Geometry Transformer (URGT) vor, ein einheitliches Multi-Patch-Transformer-Modell, das durch die Verarbeitung hochauflösender Bilddaten in Patches mit globaler Aufmerksamkeitsmechanik und einer GridMix-Sampling-Strategie präzise Tiefen- und Normalenschätzungen ermöglicht und dabei den aktuellen Stand der Technik auf dem UnrealStereo4K-Datensatz übertrifft.
Die Studie stellt BRIGHT vor, das erste auf Kollaboration von Generalisten und Spezialisten basierende Fundamentmodell für die Brustpathologie, das auf einer riesigen Datensammlung trainiert wurde und durch umfassende Validierung in 24 klinischen Aufgaben die Leistungsfähigkeit bestehender generalistischer Modelle in der Brustonkologie übertrifft.
Die Arbeit stellt EduVQA vor, ein neues Benchmark-Dataset und Evaluierungsframework, das speziell entwickelt wurde, um die Qualität und pädagogische Ausrichtung von KI-generierten Videos für den Mathematikunterricht bei jungen Lernenden zu bewerten.
Das Paper stellt TikZilla vor, ein Modell-Familie auf Basis kleiner Qwen-LLMs, die durch die Nutzung eines hochwertigen, vierfach vergrößerten Datensatzes (DaTikZ-V4) und eines zweistufigen Trainings mit überwachtem Fine-Tuning sowie bestärkendem Lernen (RL) mit semantischen Bild-Rückmeldungen die Text-zu-TikZ-Generierung so weit verbessern, dass sie GPT-4o übertrifft und mit GPT-5 gleichzieht.
Das Paper stellt TinyIceNet vor, ein hocheffizientes, auf FPGA implementiertes neuronales Netzwerk zur Echtzeit-Segmentierung von Meereis aus Sentinel-1 SAR-Daten, das durch Hardware-Algorithmus-Co-Design eine signifikante Energieeinsparung bei hoher Genauigkeit für den Einsatz an Bord von Satelliten ermöglicht.
Die Arbeit stellt AWDiff vor, ein auf Diffusionsmodellen basierendes Framework zur Synthese von Lungensonografie-Bildern, das durch die Integration der a trous-Wavelet-Transformation und semantische Konditionierung mit BioMedCLIP feine diagnostische Strukturen erhält und gleichzeitig die Datenknappheit für maschinelles Lernen überwindet.
Die Arbeit stellt RL3DEdit vor, ein effizientes Reinforcement-Learning-Framework, das durch die Nutzung von VGGT als Belohnungssignal die Konsistenz über mehrere Ansichten bei der 3D-Szenenbearbeitung sicherstellt und dabei die Herausforderung des Fehlens von 3D-konsistenten Trainingsdaten umgeht.
Kling-MotionControl ist ein einheitliches, DiT-basiertes Framework, das durch eine strategische Aufteilung der Bewegungssteuerung für Körper, Gesicht und Hände sowie durch Identitätsanpassung und Beschleunigungstechniken hochrealistische, präzise und generalisierbare Charakteranimationen ermöglicht.
Die Arbeit stellt den „Conditioned Activation Transport" (CAT) vor, einen Rahmen, der mithilfe eines geometrischen Konditionierungsmechanismus und nichtlinearer Transportkarten die Sicherheit von Text-zu-Bild-Modellen verbessert, indem er Eingriffe gezielt auf unsichere Aktivierungsbereiche beschränkt und so die Bildqualität bei harmlosen Prompts erhält.
Die Arbeit stellt MoD-DPO vor, einen einfachen und effektiven Rahmen zur Reduzierung von cross-modalen Halluzinationen in omni-modalen Sprachmodellen durch modality-entschlüsselte Präferenzoptimierung, der die Wahrnehmungsgenauigkeit verbessert und die Überabhängigkeit von textuellen Priors verringert.
Das Paper stellt CoWVLA vor, ein neues Vision-Language-Action-Modell, das durch die Entkopplung von Struktur- und Bewegungslatenten sowie die Kombination von Weltmodell-Prädiktion mit diskreter Aktionsvorhersage effizienteres und robusteres robotisches Lernen ermöglicht.
Der Bericht stellt ACE-Brain-0 vor, ein universelles multimodales Sprachmodell, das räumliche Intelligenz als gemeinsame Grundlage nutzt und durch ein Scaffold-Specialize-Reconcile-Verfahren sowie GRPO-Optimierung eine state-of-the-art Leistung über diverse Embodiments hinweg ermöglicht.
Die Arbeit stellt COP-GEN vor, einen latenten Diffusions-Transformer, der die inhärente Mehrdeutigkeit in der Erdbeobachtung durch die Modellierung multimodaler Daten als stochastische Verteilungen adressiert und so eine flexible, deterministische Zusammenbrüche vermeidende Generierung und Übersetzung zwischen verschiedenen Sensormodalitäten ermöglicht.
Die Studie stellt mit UniG2U-Bench einen umfassenden Benchmark vor, der zeigt, dass zwar generative Fähigkeiten in bestimmten Bereichen wie der räumlichen Intelligenz das multimodale Verständnis verbessern, Unified Models jedoch insgesamt oft hinter ihren reinen Vision-Language-Modellen zurückbleiben und neue Trainingsdaten sowie Paradigmen benötigen, um ihr volles Potenzial zu entfalten.
Das Paper stellt DuoMo vor, eine generative Methode, die mithilfe von zwei Diffusionsmodellen menschliche Bewegungen in Weltkoordinaten aus unbeschränkten Videos mit verrauschten oder unvollständigen Beobachtungen rekonstruiert und dabei einen neuen State-of-the-Art in Bezug auf Genauigkeit und globale Konsistenz erreicht.
LoGeR ist ein neuartiges Feedforward-Architektur-Modell, das durch einen hybriden Speichermechanismus aus parametrischem Test-Time-Training und nicht-parametrischer Sliding-Window-Attention eine hochpräzise, global konsistente 3D-Rekonstruktion für extrem lange Videos ohne Nachoptimierung ermöglicht und dabei den bisherigen Stand der Technik deutlich übertrifft.
Diese Studie untersucht durch kontrollierte Vorabtrainings-Experimente im Transfusion-Framework, wie native multimodale Modelle durch die Kombination von RAE-Vision-Repräsentationen, komplementären Daten und einer MoE-Architektur, die die Skalierungsasymmetrie zwischen Sprache und Vision ausgleicht, zu effektiver Weltmodellierung und Synergieeffekten führen.