6483 Arbeiten
Das Paper stellt pySpatial vor, ein visuelles Programmier-Framework, das Multi-Modal Large Language Models durch die Generierung von Python-Code für den Zugriff auf räumliche Werkzeuge befähigt, um ohne Feinabstimmung eine präzise Null-Shot-Raumverständnis in 3D zu erreichen und dabei sowohl Benchmarks als auch reale Roboternavigation zu verbessern.
Dieser Artikel stellt UD-SfPNet vor, ein neuronales Netzwerk, das durch die Kombination von Entstreuung und polarisationsbasierter Formwiedergabe in einem einheitlichen Rahmen die Genauigkeit der 3D-Oberflächenrekonstruktion unter Wasser signifikant verbessert.
Diese Arbeit stellt einen hierarchischen Algorithmus vor, der durch komposite Entdeckung, Normalisierung auf minimale repräsentative Formen und Primextraktion exakte, achsenausgerichtete rechteckige Tesselationen in endlichen diskreten Gittern deterministisch identifiziert, um eine Lücke in der symbolischen Gitteranalyse für Aufgaben wie das Lösen von Rätseln zu schließen.
Die Arbeit stellt VGGT-Det vor, das als erstes Framework für die sensorgeometriefreie 3D-Objekterkennung in Innenräumen den VGGT-Encoder integriert und durch zwei neue Komponenten, die auf Aufmerksamkeitskarten und dynamischer Feature-Aggregation basieren, interne semantische und geometrische Priors nutzt, um die Leistung signifikant zu steigern.
Die Arbeit stellt DriveCode vor, eine neuartige numerische Kodierungsmethode, die Zahlen als dedizierte Embeddings statt diskreter Text-Token darstellt, um die Präzision und Effizienz von LLM-basierten autonomen Fahrsystemen bei der Trajektorienvorhersage und der Erzeugung von Steuersignalen zu verbessern.
Die Studie zeigt, dass Vision-Language-Modelle auf dem DrawEduMath-Datensatz bei der Analyse von Schülerfehlern und der Unterstützung lernschwacher Schüler signifikant versagen, was auf die Notwendigkeit alternativer Entwicklungsansätze für den pädagogischen Einsatz hinweist.
Die Autoren stellen den großen subjektiven Datensatz Beyond8Bits mit 44.000 HDR-UGC-Videos vor und entwickeln HDR-Q, das erste multimodale Large Language Model mit einem HDR-sensitiven Vision-Encoder und einem neuartigen RL-Finetuning-Verfahren (HAPO), um den State-of-the-Art bei der objektiven und subjektiven Qualitätsbewertung von HDR-Inhalten zu erreichen.
Die Arbeit stellt StegoNGP vor, eine neue Methode zur parametrischen 3D-Steganografie, die Instant-NGP nutzt, um mithilfe von Schlüssel-gesteuerten Hash-Funktionen eine vollständige geheime 3D-Szene in einem einzigen, ununterscheidbaren Modell zu verbergen und dabei hohe Kapazität sowie Robustheit zu gewährleisten.
Die Studie zeigt, dass das Klemmen des positiven Randes im Contrastive Forward-Forward-Lernen die Trainingsvarianz auf CIFAR-10 durch Sättigungseffekte in frühen Schichten signifikant erhöht, während dieser Effekt bei anderen Datensätzen von der positiven Paardichte und der Aufgabenschwierigkeit abhängt und durch eine gradientenneutrale Subtraktionsformel behoben werden kann.
Die Arbeit stellt VeGaS vor, ein neuartiges 4D-Gaussian-Splatting-Framework, das durch die Entkopplung von Bewegung und Geometrie mittels einer galileischen Scherungsmatrix und eines geometrischen Deformationsnetzwerks hochpräzise Rekonstruktionen dynamischer Szenen mit State-of-the-Art-Leistung ermöglicht.
EraseAnything++ ist ein einheitliches Framework, das durch die Formulierung als eingeschränktes Mehrziel-Optimierungsproblem, implizite Gradienten-Chirurgie sowie eine Anker- und Propagierungs-Mechanik eine effektive Konzept-Eliminierung in modernen Flow-Matching-basierten Diffusionsmodellen für Bilder und Videos ermöglicht, ohne dabei die generative Qualität oder zeitliche Konsistenz zu beeinträchtigen.
Die Arbeit stellt einen anatomieinformierten synthetischen Überwachungs-Vorabtrainingsrahmen vor, der durch den Einsatz einer deidentifizierten Formbank und einer strukturorientierten Platzierungsstrategie die semantische Lücke zwischen generischen mathematischen Primitive und realer Anatomie schließt, um die Leistung von medizinischen Segmentierungsmodellen ohne Datenschutzbarrieren signifikant zu steigern.
Die Arbeit stellt EFS (Event-Anchored Frame Selection) vor, eine trainingsfreie, hierarchische Methode zur Auswahl von Schlüsseldaten aus langen Videos, die durch die Identifizierung semantischer Ereignisse und eine adaptive Relevanzoptimierung die Leistung bestehender Large Vision-Language Models auf Benchmarks wie VideoMME signifikant verbessert.
Diese Arbeit stellt einen physikinspirierten, räumlich entkoppelten Syntheseansatz vor, der das Problem der Grenz-Aliasing bei der texturbasierten Erzeugung medizinischer Bilddaten löst und so Vision Transformer-Modelle durch eine verbesserte Trennung von Form- und Texturlernen signifikant präziser und dateneffizienter macht.
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.