5561 Arbeiten
Das Paper stellt Uni-CoT vor, ein einheitliches Chain-of-Thought-Framework, das durch eine zweistufige Denkstrategie und ein strukturiertes Trainingskonzept kohärente multimodale Schlussfolgerungen über Text und Bild hinweg ermöglicht und dabei ressourceneffizient auf nur acht A100-GPUs trainiert werden kann.
Die Arbeit stellt ImagiDrive vor, ein einheitliches End-zu-End-Framework für autonomes Fahren, das die interpretierbare Entscheidungsfindung von Vision-Language-Modellen mit der realistischen Szenengeneration von Driving World Models in einem iterativen Planungs- und Imaginationszyklus vereint, um die Sicherheit und Leistungsfähigkeit in dynamischen Umgebungen zu verbessern.
Das Paper stellt CineTrans vor, ein Framework, das mithilfe von Masken-basierten Diffusionsmodellen und einem neu erstellten Datensatz kohärente, filmische Mehr-Szenen-Videos mit stabilen Übergängen erzeugt und dabei bestehende Baselines in allen Qualitätskriterien übertrifft.
Das Paper stellt MOON vor, das erste generative multimodale Large-Language-Modell für das E-Commerce-Produktverständnis, das durch einen gelenkten Mixture-of-Experts-Ansatz, eine Unterdrückung von Hintergrundrauschen und eine spezialisierte negative Stichprobenstrategie die Darstellungslernen verbessert und zudem einen neuen großen multimodalen Benchmark (MBE) bereitstellt.
Die Autoren stellen einen neuartigen Ansatz zur Bildgenerierung namens Next Visual Granularity (NVG) vor, der Bilder durch eine strukturierte Sequenz mit unterschiedlichen Granularitätsstufen von globaler Struktur bis zu feinen Details erzeugt und dabei die State-of-the-Art-Ergebnisse der VAR-Serie auf dem ImageNet-Datensatz übertrifft.
Die Arbeit stellt ARMed vor, ein neuartiges Reinforcement-Learning-Framework, das durch die Kombination von Chain-of-Thought-Überwachtem Fine-Tuning und adaptiven semantischen Belohnungen das Problem des Reward-Collapses bei offenen medizinischen Bildfragen löst und so die Genauigkeit sowie Generalisierungsfähigkeit von Vision-Language-Modellen in klinischen Szenarien signifikant verbessert.
Die Autoren stellen einen neuartigen, entkoppelten Multi-Modal-Lernrahmen vor, der durch die Zerlegung von Histologie- und Transkriptomdaten in Tumor- und Mikroumgebungs-Subräume, eine konsistente Mehrskalen-Integration und eine wissensbasierte Destillation ohne strikte Datenpaarung die Herausforderungen der Heterogenität und Abhängigkeit von gepaarten Daten in der Krebscharakterisierung überwindet.
Die Arbeit stellt TADSR vor, ein zeitaufmerksames Ein-Schritt-Diffusionsnetzwerk, das durch einen zeitaufmerksamen VAE-Encoder und einen entsprechenden VSD-Verlust die generativen Priors eines vortrainierten Stable-Diffusion-Modells bei variierenden Zeitschritten effektiv nutzt, um für die reale Bild-Super-Resolution sowohl einen State-of-the-Art-Ergebnis als auch eine kontrollierbare Balance zwischen Fidelity und Realismus zu erreichen.
FastAvatar ist ein einheitliches Feedforward-Framework, das mithilfe eines Large Gaussian Reconstruction Transformers (LGRT) innerhalb von Sekunden hochwertige 3D-Gaussian-Splatting-Modelle aus alltäglichen Aufnahmen rekonstruiert und dabei eine flexible, inkrementelle Qualitätssteigerung bei variabler Eingabedatenmenge ermöglicht.
Die Arbeit stellt GACD vor, eine feinstimulierungsfreie Inferenzmethode, die durch gradientenbasierte Schätzung und gezielte Unterdrückung von visuellen Verzerrungen sowie eine Neugewichtung multimodaler Beiträge Multimodal-Halluzinationen in großen Sprachmodellen effektiv reduziert.
Das Paper stellt RTGMFF vor, ein multimodales Framework, das durch die Generierung von ROI-basierten Texten und die Fusion von frequenz- und raumdomänenbasierten Merkmalen die Diagnose von Hirnerkrankungen mittels fMRI verbessert.
Die Autoren stellen mit T2I-CoReBench ein umfassendes Benchmark vor, das die Fähigkeiten von Text-zu-Bild-Modellen in Komposition und logischem Schlussfolgern anhand eines detaillierten 12-dimensionalen Rahmens evaluiert und dabei zeigt, dass insbesondere das implizite Schlussfolgern eine kritische Schwachstelle aktueller Modelle bleibt.
Das Paper stellt UniView vor, ein Modell, das die Synthese neuer Ansichten aus einem einzelnen Bild verbessert, indem es durch einen MLLM-gestützten Abruf und einen Adapter-Modul Referenzbilder ähnlicher Objekte nutzt, um mehrdeutige Bereiche zu reduzieren und Details zu erhalten.
Diese Arbeit stellt eine Methode zur verbesserten 3D-Szenen-Stilisierung vor, die durch eine referenzbasierte Aufmerksamkeitsmechanik, mehrfache Tiefenkarten und einen gewichteten Sliced-Wasserstein-Verlust sowohl konsistente Ansichten als auch eine semantisch korrekte, regionsbasierte Stilübertragung ermöglicht.
Die Arbeit stellt LADB vor, ein halbüberwachtes Framework, das vortrainierte Diffusionsmodelle durch Ausrichtung in einem gemeinsamen latenten Raum nutzt, um hochwertige Domänenübersetzungen auch bei nur teilweise gepaarten Daten zu ermöglichen.
Die Arbeit stellt TrueSkin vor, einen umfassenden Datensatz mit 7299 Bildern, der genutzt wird, um erhebliche Verzerrungen bei der Erkennung und Generierung von Hauttönen in aktuellen Modellen aufzudecken und durch gezieltes Training sowohl die Klassifikationsgenauigkeit als auch die Fidelity bei der Bildsynthese signifikant zu verbessern.
Die Arbeit stellt BWCache vor, eine trainingsfreie Methode, die durch dynamisches Caching und Wiederverwenden von Block-Features bei ähnlichen Diffusionsschritten die Inferenzzeit von Video-Diffusion-Transformern bis zu sechsfach beschleunigt, ohne dabei die visuelle Qualität zu beeinträchtigen.
Die Arbeit stellt Brain-HGCN vor, ein auf hyperbolischer Geometrie basierendes Graph-Convolutional-Netzwerk, das die hierarchische Struktur von fMRI-basierten Gehirnnetzwerken präziser modelliert als euklidische Ansätze und damit die Klassifizierung psychiatrischer Störungen signifikant verbessert.
Die Studie stellt I2S (Interact2Sign) vor, ein leichtgewichtiges, mehrstufiges Framework zur unobtrusiven Benutzeridentifizierung in Echtzeit durch Analyse von 3D-Handposen bei Mensch-Objekt-Interaktionen, das auf dem ARCTIC- und H2O-Datensätzen eine Genauigkeit von 97,52 % erreicht und sich ideal für sicherheitskritische AR-Systeme eignet.
Die Arbeit stellt GeoProto vor, ein interpretierbares Verfahren zur feinkörnigen Bilderkennung, das durch die Nutzung von Diffusionskarten und einer differenzierbaren Nyström-Interpolation die intrinsische Geometrie von Merkmalen nutzt, um die Genauigkeit und semantische Kohärenz von Prototypen im Vergleich zu euklidischen Ansätzen erheblich zu verbessern.