6110 Arbeiten
Diese umfassende technische Übersicht untersucht die Entwicklung von Fundamentmodellen in der Fernerkundung von unimodalen zu multimodalen Ansätzen, bietet eine systematische Kategorisierung bestehender Modelle und liefert ein praxisorientiertes Tutorial, um Forschern den Einstieg und die Anwendung in diesem schnell wachsenden Bereich zu erleichtern.
MLRecon ist ein robuster, markerloser Rahmen für die 3D-Ultraschallrekonstruktion, der mithilfe eines handelsüblichen RGB-D-Kamerasystems, visueller Fundamentmodelle und einer zweistufigen Pose-Verfeinerung driftresistentes 6D-Tracking mit submillimetergenauer Genauigkeit ermöglicht.
Die Arbeit stellt GeodesicNVS vor, ein Novel-View-Synthesis-Verfahren, das durch die Kombination von deterministischem Data-to-Data Flow Matching und einer geometrischen Regularisierung mittels geodätischer Interpolanten auf der Datenmannigfaltigkeit eine konsistente und strukturell kohärente Bildsynthese über verschiedene Blickwinkel hinweg ermöglicht.
Das Papier beschreibt die Implementierung eines Systems zur Erkennung und Rauschunterdrückung von Kfz-Kennzeichen, das angesichts des steigenden Fahrzeugbestands in Malaysia für Anwendungen wie elektronische Parksysteme, Mauterhebung und Verkehrsaufsicht sowie für interdisziplinäre Zwecke genutzt werden kann.
Das Paper stellt RaUF vor, ein Framework zur Lernung von räumlichen Unsicherheitsfeldern für Millimeterwellen-Radare, das durch ein anisotropes probabilistisches Modell und einen bidirektionalen Domänen-Aufmerksamkeitsmechanismus die räumliche Genauigkeit verbessert und die Zuverlässigkeit von Detektionen unter schwierigen Wetterbedingungen erhöht.
Die Arbeit stellt CAFE und dessen Erweiterung CAFE+ vor, die durch die Kombination von Fourier- und Tschebyschow-Features mit lernbaren Gewichten die spektrale Verzerrung von impliziten neuronalen Repräsentationen überwinden und so eine effizientere Erfassung hochfrequenter Details ermöglichen.
Die Arbeit stellt VL-Anomaly vor, ein neuartiges Framework zur Segmentierung von Straßenanomalien, das durch die Ausrichtung visueller Merkmale mit semantischen Sprachpriors aus vortrainierten Vision-Language-Modellen die Fehlalarmrate in normalen Hintergrundbereichen senkt und die Erkennung unbekannter Hindernisse verbessert.
Dieses Paper stellt SMR-Net vor, einen selbstaufmerksamkeitsbasierten Multi-Scale-Algorithmus in Kombination mit einem dedizierten Sensor, der die Robustheit und Genauigkeit der Snap-Erkennung und -Lokalisierung in der Robotik-Assembly im Vergleich zu herkömmlichen Methoden signifikant verbessert.
Die Arbeit stellt TAR-FAS vor, ein Tool-augmentiertes Reasoning-Framework für MLLMs, das durch die adaptive Einbindung externer visueller Werkzeuge und ein neuartiges Trainingsverfahren mit DT-GRPO die Generalisierbarkeit von Face Anti-Spoofing-Systemen über verschiedene Domänen hinweg signifikant verbessert.
Die Arbeit stellt MM-DeepResearch vor, einen leistungsstarken multimodalen Forschungsagenten, der durch die Einführung von Hyper-Search zur Datengenerierung, DR-TTS zur Optimierung von Suchwerkzeug-Experten und einer Offline-Suchmaschine für kosteneffizientes Reinforcement Learning komplexe Suchaufgaben effektiv löst.
Die Arbeit stellt ELF-VLA vor, ein Framework, das die Leistung von Vision-Language-Action-Modellen im autonomen Fahren durch explizites Lernen aus Fehlern mittels strukturierter diagnostischer Rückmeldungen und gezielter Verfeinerung steigert und damit neue State-of-the-Art-Ergebnisse auf dem NAVSIM-Benchmark erzielt.
Das Paper stellt LLaDA-o vor, ein effizientes und längenadaptives Omni-Diffusionsmodell auf Basis eines Mixture-of-Diffusion-Frameworks, das diskrete Textverständnis- und kontinuierliche Bildgenerierungsprozesse über einen gemeinsamen Attention-Backbone vereint und dabei state-of-the-art-Ergebnisse auf multimodalen Benchmarks erzielt.
Die Arbeit stellt SHIELD8-UAV vor, einen energieeffizienten, sequentiellen 8-Bit-Hardware-Beschleuniger für eine 1D-F-CNN, der durch schichtsensitives Quantisieren und strukturiertes Beschneiden eine präzise UAV-Akustikdetektion und -verfolgung mit geringem Leistungsbedarf und geringer Latenz auf FPGA- und ASIC-Ebene ermöglicht.
Die Arbeit stellt A3Point vor, ein adaptives Framework für das latente Lernen, das durch die Entkopplung von semantischer Verwirrung und semantischem Shift die Robustheit von LiDAR-Semantiksegmentierung unter widrigen Wetterbedingungen verbessert und neue State-of-the-Art-Ergebnisse erzielt.
Die Arbeit stellt MCMR vor, einen umfassenden Benchmark für das feingranulare, mehrkonditionale multimodale Retrieval in fünf Produktbereichen, der zeigt, dass MLLM-basierte Reranker die Genauigkeit durch explizite Konsistenzprüfung verbessern und dabei unterschiedliche Stärken visueller und textueller Merkmale aufdecken.
Diese Arbeit stellt mit AesEval-Bench das erste umfassende Benchmark, eine systematische Evaluierung verschiedener Vision-Language-Modelle und einen Trainingsdatensatz vor, um die Fähigkeit von KI-Modellen zur ästhetischen Bewertung von Grafikdesign zu untersuchen und zu verbessern.
Das Paper stellt V-SONAR und V-LCM vor, ein einheitliches Vision-Language-Modell, das durch die Ausrichtung von Bildrepräsentationen auf den multilingualen SONAR-Raum und die Nutzung eines latenten Diffusionsziels state-of-the-art-Ergebnisse bei Video-Captioning und -Fragenbeantwortung in über 60 Sprachen erzielt.
Die Arbeit stellt DP-RGMI vor, ein Framework zur Analyse des Einflusses von Differential Privacy auf medizinische Bilddaten, das Leistungseinbußen durch die Zerlegung in geometrische Verschiebungen des Repräsentationsraums und eine Nutzungslücke zwischen linearer und end-to-end-Verarbeitung erklärt, anstatt nur die Endleistung zu bewerten.
Die Arbeit stellt StrokeDiff vor, ein dateneffizientes Diffusionsmodell mit Smooth Regularization, das aus nur 470 handgezeichneten Proben kontrollierbare, menschenähnliche Ölgemälde-Striche generiert und so eine vollständige, strukturierte Malpipeline ermöglicht.
Die Arbeit stellt „Egocentric Co-Pilot" vor, ein web-natives, neuro-symbolisches Framework für Smart-Glasses, das mittels eines LLM-gesteuerten Agenten mit multimodaler Eingabe und effizientem Kontextmanagement eine assistive, kontextbewusste KI für den Alltag bietet und dabei durch Cloud-Integration sowie lokale Baselines optimierte Latenz und Mobilität demonstriert.