5768 Arbeiten
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.
Die Arbeit stellt „Splat the Net" vor, eine neue volumetrische Darstellung mit splattbaren neuronalen Primitiven, die die hohe Ausdruckskraft neuronaler Modelle mit der Effizienz primitivesbasierten Splatting vereint und dabei die Qualität und Geschwindigkeit von 3D-Gaussian-Splatting bei deutlich weniger Primitiven und Parametern erreicht.
Die Arbeit stellt LinearSR vor, ein umfassendes Framework, das durch innovative Strategien wie die ESGF-Fine-Tuning-Methode, eine SNR-basierte Mixture-of-Experts-Architektur und den TAG-Leitmechanismus erstmals stabile und effiziente lineare Aufmerksamkeit für photorealistische Bild-Super-Resolution ermöglicht und dabei sowohl höchste Bildqualität als auch hohe Geschwindigkeit erreicht.
Das Paper stellt PHyCLIP vor, ein neues Vision-Language-Modell, das durch die Verwendung eines -Produkts aus hyperbolischen Faktoren sowohl hierarchische Beziehungen innerhalb von Konzeptfamilien als auch kompositionelle Strukturen über verschiedene Familien hinweg effektiv vereint und dabei bestehende Ansätze in verschiedenen Aufgaben übertrifft.
Die Arbeit stellt einen Co-Learning-Rahmen (CSL) vor, der semantisch bewusste Merkmalslernen und die Wiederherstellung fehlender Labels in einem einheitlichen Paradigma integriert, um die Herausforderungen der unvollständigen Multi-Label-Bilderkennung auf mehreren Datensätzen effektiv zu lösen und dabei den aktuellen Stand der Technik zu übertreffen.
Das Paper stellt UniFlow vor, einen einheitlichen Pixel-Flow-Tokenisierer, der durch adaptive Selbst-Distillation und einen leichten patchweisen Decoder die traditionelle Kompromiss zwischen visueller Verständnis- und Generierungsleistung überwindet und dabei auf 13 Benchmarks sowohl in der semantischen Analyse als auch in der hochfiden Bildgenerierung neue Bestleistungen erzielt.
Die Arbeit stellt ein neuartiges zweistufiges Trainingsframework vor, das durch selbstüberwachtes Pre-Training von Encodern und anschließendes End-to-End-Feintuning erstmals hochauflösende Pixelraum-Generativmodelle (Diffusion und Konsistenz) ohne VAEs ermöglicht und dabei sowohl die Bildqualität als auch die Recheneffizienz gegenüber latenten Modellen deutlich verbessert.
Die Arbeit stellt Fly-CL vor, ein von der Fliege inspiriertes Framework, das durch die schrittweise Auflösung von Multikollinearität in vortrainierten Modellen das Katastrophale Vergessen effektiv bekämpft und dabei die Trainingszeit im Vergleich zu bestehenden Methoden erheblich reduziert.
Die Arbeit stellt Mono4DGS-HDR vor, ein bahnbrechendes System, das mittels eines zweistufigen Optimierungsansatzes auf Basis von Gaussian Splatting erstmals aus ungeordneten monokularen LDR-Videos mit abwechselnden Belichtungen rekonstruierbare 4D-HDR-Szenen erzeugt.
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.