5617 Arbeiten
LightMem ist ein effizientes, an das menschliche Gedächtnis angelehntes System, das durch eine dreistufige Architektur aus sensorischem Kurzzeit- und Langzeitgedächtnis die Genauigkeit von LLMs bei gleichzeitiger drastischer Reduktion von Token-Verbrauch und API-Aufrufen verbessert.
Die Studie stellt BioCAP vor, ein biologisches Fundamentmodell, das durch den Einsatz von synthetischen, multimodalen Beschreibungen anstelle reiner Labels eine präzisere semantische Ausrichtung zwischen biologischen Bildern und Texten ermöglicht und so die Artenklassifizierung sowie die Bild-Text-Suche verbessert.
VoMP ist eine Feed-Forward-Methode, die mithilfe eines trainierten Geometry Transformers und eines realistischen Material-Datensatzes volumetrische mechanische Eigenschaften wie Elastizitätsmodul, Poisson-Zahl und Dichte für 3D-Objekte präzise und schnell vorhersagt.
Das Paper stellt Concerto vor, ein minimalistisches, durch 2D-3D-Selbstüberwachtes Lernen inspiriertes Modell, das überlegene räumliche Repräsentationen lernt und damit neue State-of-the-Ergebnisse in der 3D-Szenenverständnis erreicht.
Die Arbeit stellt ProMoE vor, ein Mixture-of-Experts-Framework für Diffusion-Transformer, das durch einen zweistufigen Router mit expliziter Leitlinie und einem kontrastiven Verlust die spezialisierte Zuweisung von Bild-Token-Experten verbessert und so den aktuellen Stand der Technik auf ImageNet übertrifft.
Das Paper stellt "Brain-IT" vor, eine auf einem Brain-Interaction Transformer basierende Methode, die durch die Interaktion funktioneller Hirnvoxel-Cluster und die Vorhersage komplementärer semantischer sowie struktureller Bildmerkmale fMRI-Daten in treue Bildrekonstruktionen übersetzt und dabei sowohl die Bildqualität als auch die Dateneffizienz im Vergleich zu aktuellen State-of-the-Art-Verfahren signifikant verbessert.
Diese Arbeit stellt eine neuartige Methode vor, die ausschließlich aus einer einzigen Sprachaufnahme hochauflösende, qualitativ hochwertige sprechende Gesichter erzeugt, indem sie einen sprachgesteuerten Diffusionsprozess mit statistischen Gesichtspriors und einem regionsbasierten Verfeinerungsmodul kombiniert, um Lippenbewegungen, Mimik und Augenbewegungen präzise zu synchronisieren.
Das Paper stellt ThinkMorph vor, ein einheitliches Modell, das durch feinabgestimmtes Training auf 24.000 hochqualitativen, multimodal verflochtenen Denkpfaden emergente Fähigkeiten zur adaptiven Verknüpfung von Text- und Bildschritten entwickelt und dabei sowohl visionäre Benchmarks als auch proprietäre Modelle übertrifft.
Diese Studie zeigt, dass die Leistung von medizinischen Bildsegmentierungsmodellen einem geometriebegrenzten Skalierungsgesetz folgt, das durch topologiebewusste Augmentierung zwar effizienter gestaltet, aber nicht in seiner grundlegenden Struktur verändert werden kann.
Die Arbeit stellt VeCoR vor, eine kontrastive Regularisierungsmethode für Flow Matching, die durch die Einführung einer zweiseitigen Anziehungs- und Abstoßungs-Supervision die Stabilität und Bildqualität verbessert, indem sie den gelernten Geschwindigkeitsfeldern hilft, auf dem Datenmanifold zu bleiben und Fehler in leichten oder wenigstufigen Konfigurationen zu reduzieren.
Das Paper stellt UltraViCo vor, eine trainingsfreie Methode, die durch die Unterdrückung der Aufmerksamkeit für Tokens außerhalb des Trainingsfensters die Extrapolationsgrenze von Video-Diffusions-Transformern von 2x auf 4x erweitert und dabei sowohl periodische Wiederholungen als auch Qualitätsverluste effektiv behebt.
Die Arbeit stellt ReSAM vor, einen selbst-promptenden Rahmen, der das Segment Anything Model (SAM) durch einen „Verfeinern-Nachfragen-Stärken"-Prozess und schwache Punkt-Annotationen an Fernerkundungsbilder anpasst, um die Segmentierungsqualität und Domänenrobustheit ohne vollständige Masken-Supervision zu verbessern.
Das Paper stellt InnoGym vor, den ersten Benchmark und ein Framework zur systematischen Bewertung des Innovationspotenzials von KI-Agenten durch die Messung von Leistungssteigerung und methodischer Neuheit in 18 realen Aufgaben, wobei Experimente eine Lücke zwischen Kreativität und Robustheit aufzeigen.
Die Arbeit stellt AdaptVision vor, ein effizientes Vision-Language-Modell, das durch einen vom Menschen inspirierten, adaptiven Mechanismus zur schrittweisen visuellen Informationsgewinnung und eine neuartige, entkoppelte Reinforcement-Learning-Optimierung (DTPO) die Anzahl der benötigten visuellen Tokens minimiert und dabei die Genauigkeit bei visuellen Frage-Antwort-Aufgaben verbessert.
Die Arbeit stellt FARL vor, ein neuartiges Framework, das durch Fourier-Analyse und einen dualen Cross-Attention-Mechanismus strukturelle und stilistische Bildmerkmale entwirrt, um die Few-Shot-Generalisierung von Vision-Language-Modellen zu verbessern.
Diese Studie stellt einen leichten, unüberwachten Deep-Learning-Ansatz auf Basis eines Variational Auto-Encoders vor, der hochauflösende Planet-Labs-Satellitendaten nutzt, um brandbetroffene Gebiete im Sudan innerhalb von 24 bis 30 Stunden mit überlegener Genauigkeit zu erkennen und somit eine skalierbare, nahezu Echtzeit-Überwachung von Konfliktfolgen ermöglicht.
Diese Studie isoliert systematisch den Einfluss der Maskierungsfamilie auf die kontinuierliche Testzeit-Anpassung und zeigt, dass räumliche Maskierung auf patch-basierten Architekturen stabilisierend wirkt, während Frequenzmaskierung nur bei CNNs oder feinabgestimmten Aufgaben mit globalen Hinweisen konkurrenzfähig ist.
Die Arbeit stellt Brain-Semantoks vor, ein selbstüberwachtes Framework mit einem semantischen Tokenizer und einem Selbst-Distillation-Ziel, das robuste, abstrakte Repräsentationen von fMRI-Zeitreihen lernt und damit auch mit wenigen gelabelten Daten starke Leistungen bei verschiedenen Downstream-Aufgaben sowie verbesserte Out-of-Distribution-Performance ermöglicht.
Die Arbeit stellt -CLIP vor, ein Framework für mehrstufiges kontrastives Lernen, das durch dynamisches Pooling und einen neuartigen -CAL-Verlust eine präzise, hierarchische Ausrichtung zwischen Textgranularitäten und Bildregionen erreicht und damit den State-of-the-Art bei dichten Vision-Language-Aufgaben ohne harte Negativbeispiele setzt.
CRISP ist eine Methode, die aus monokularen Videos simulierbare menschliche Bewegungen und saubere, physikalisch plausible Szenengeometrien rekonstruiert, indem sie planare Primitiven nutzt und menschlich-szenische Kontakte modelliert, um die Erfolgsrate beim Bewegungs-Tracking erheblich zu steigern und die Real-zu-Simulation-Anwendung für Robotik und AR/VR zu verbessern.