5664 Arbeiten
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.
Das Paper stellt SHINE vor, ein trainingsfreies Framework, das auf dem FLUX-Modell aufbaut, um physikalisch plausible Bildkompositionen mit präzisen Schatten und Reflexionen zu erzeugen, und führt gleichzeitig den neuen Benchmark ComplexCompo ein, um die Leistung unter komplexen Bedingungen zu evaluieren.
Dieses Paper stellt QuadGPT vor, das erste autoregressive Framework, das End-to-End-Quadrilateralmeshes direkt generiert und dabei durch eine einheitliche Tokenisierung sowie eine spezialisierte Reinforcement-Learning-Feinabstimmung (tDPO) die geometrische Genauigkeit und topologische Qualität bestehender Dreiecks-zu-Viereck-Konversionspipelines deutlich übertrifft.
Die Arbeit stellt DistillKac vor, einen schnellen Bildgenerator, der durch die Nutzung der gedämpften Wellengleichung und ihrer stochastischen Kac-Darstellung eine endliche Ausbreitungsgeschwindigkeit gewährleistet und durch Endpunkt-Distillation sowie eine neue Form der classifier-free guidance in Geschwindigkeitsräumen hochwertige Bilder mit sehr wenigen Funktionsevaluierungen erzeugt.
Diese Arbeit stellt einen offenen, vielschichtigen und skalierbaren Ansatz zur Anpassung der visuellen Emotionsbewertung für multimodale große Sprachmodelle vor, der durch eine neue Aufgabe und eine automatisierte Pipeline bestehende Evaluierungslücken schließt und deutliche Verbesserungspotenziale im Vergleich zum menschlichen Urteilsvermögen aufzeigt.
Die Arbeit stellt COMPASS vor, ein Framework zur effizienten und robusten konformen Vorhersage von medizinischen Segmentierungsmetriken, das durch Kalibrierung im Merkmalsraum der neuronalen Netze präzisere Unsicherheitsintervalle liefert als herkömmliche Methoden.
Das Paper stellt CircuitSense vor, ein umfassendes Benchmark für multimodale Large Language Models, das deren Fähigkeit bewertet, technische Schaltpläne zu verstehen und daraus symbolische mathematische Gleichungen abzuleiten, wobei die Ergebnisse eine erhebliche Lücke zwischen visueller Wahrnehmung und mathematischem Schlussfolgern aufzeigen.
Diese Arbeit stellt NeuroAdapter vor, ein interpretierbares Framework zur direkten Konditionierung latenter Diffusionsmodelle auf fMRI-Signale ohne Zwischenschichten, das mittels des IBBI-Ansatzes die Rolle verschiedener kortikaler Areale bei der Bildrekonstruktion transparent macht.
Die Arbeit stellt DiffInk vor, ein bahnbrechendes Framework, das auf einem latenten Diffusions-Transformer und einem neuartigen InkVAE basiert, um durch disjunkte Repräsentation von Schriftzeichen und Stil effizient und präzise vollständige handschriftliche Zeilen aus Texteingaben zu generieren.
Die Arbeit stellt SMART-R1 vor, ein neuartiges Reinforcement-Fine-Tuning-Verfahren, das durch eine iterative SFT-RFT-SFT-Strategie und metrikorientierte Policy-Optimierung die Generalisierungsfähigkeit von Multi-Agenten-Verkehrssimulationen verbessert und auf dem Waymo Open Sim Agents Challenge einen neuen State-of-the-Art erreicht.
Die Arbeit stellt EditReward vor, ein reward-Modell, das auf einem neuartigen, von Experten annotierten Datensatz mit über 200.000 Präferenzpaaren trainiert wurde, um die menschliche Übereinstimmung bei instruktionsgesteuerten Bildbearbeitungsaufgaben zu verbessern und als Filter für hochwertige Trainingsdaten zu dienen.
Stylos ist ein einzelner Vorwärts-Gaussian-Splatting-Rahmen, der unposede 3D-Szenen aus einem einzelnen Bild oder einer Mehransichtssammlung in Echtzeit stilisiert, indem er einen Transformer mit zwei Pfaden und einen voxelbasierten 3D-Stilverlust nutzt, um geometrieerhaltende, ansichts-konsistente Ergebnisse ohne per-Szenen-Optimierung zu erzielen.
Die Studie stellt C³B vor, ein neues, mehrsprachiges und mehrstufiges Benchmark mit über 2000 Comic-Bildern und 18.000 Fragen-Antwort-Paaren, das die signifikanten Defizite aktueller multimodaler Sprachmodelle im Bereich des kulturellen Bewusstseins aufdeckt und als Herausforderung für zukünftige Forschung dient.
Die Arbeit stellt LVTINO vor, den ersten Zero-Shot-Inversenlöser für die hochauflösende Video-Wiederherstellung, der Video-Konsistenzmodelle (VCMs) nutzt, um im Vergleich zu bildbasierten Ansätzen sowohl eine hohe zeitliche Konsistenz als auch eine überlegene Rekonstruktionsqualität bei hoher Recheneffizienz zu erreichen.
Die Arbeit stellt DragFlow vor, ein Framework, das die starken generativen Priors von DiT-Modellen wie FLUX durch einen neuartigen, auf Regionen basierenden Bearbeitungsansatz nutzt, um Verzerrungen bei Drag-Editing zu überwinden und gleichzeitig die Subjektkonsistenz sowie die Hintergrundtreue zu verbessern.
Die Arbeit stellt ChainMPQ vor, eine trainingsfreie Methode, die durch die Generierung von mehrperspektivischen Fragen und die Nutzung akkumulierter visueller und textueller Erinnerungen in einer interleaved Kette Relationen-Halluzinationen in Large Vision-Language Models effektiv reduziert.
Die Arbeit stellt den VA-Adapter vor, der einen Ultraschall-Grundlagenmodell durch die Online-Integration von visuellen und aktionsbasierten Sequenzen an die Echokardiographie anpasst, um die individuelle 3D-Struktur des Herzens zu erfassen und so die Sonde präzise zu steuern, wobei er mit deutlich weniger Parametern als bestehende Modelle überlegene Ergebnisse erzielt.
Das Paper stellt TTOM vor, ein training-freies Framework, das durch Test-Time-Optimierung und einen parametrischen Speichermechanismus die Fähigkeit von Video-Foundation-Modellen zur kompositorischen Generierung verbessert, indem es die Ausgabe während der Inferenz an räumlich-zeitliche Layouts anpasst.