6561 Arbeiten
Die Autoren stellen eine neuartige Methode vor, die realistische 3D-Semantikdaten für das autonome Fahren ohne Projektionen oder entkoppelte Modelle generiert und nachweislich die Leistung von Segmentierungsnetzwerken durch die Kombination mit synthetischen Trainingsdaten verbessert.
Das Paper stellt TextCrafter vor, ein Framework für die komplexe visuelle Textgenerierung, das durch neuartige Text-Isolations- und Aufmerksamkeitsmechanismen sowie ein verstärkendes Lernverfahren auf der Qwen-Image-Basis neue State-of-the-Art-Ergebnisse erzielt und dabei mit deutlich weniger Ressourcen als industrielle Modelle auskommt.
Die Arbeit stellt KARMMA vor, ein multimodales Wissensdistillations-Framework für die egozentrische Aktionserkennung, das robust gegenüber fehlenden Eingabemodalitäten ist und eine effiziente, wiederverwendbare On-Robot-Implementierung ermöglicht.
Die Studie untersucht, welche Parameter synthetischer Datensätze für das Zero-Shot-Stereo-Matching entscheidend sind, und stellt mit InfinigenStereo einen neuen, quelloffenen Datensatz vor, der durch optimierte Generierung bessere Ergebnisse liefert als die Kombination etablierter Datensätze.
FermatSyn ist ein neuartiges Framework für die multimodale medizinische Bildsynthese, das durch die Kombination eines SAM2-basierten anatomischen Vorerkenners, einer hierarchischen Residual-Downsampling-Architektur und einer bidirektionalen Mamba mit isotroper Fermat-Spiral-Abtastung sowohl globale anatomische Konsistenz als auch hochauflösende lokale Details übertrifft und damit den klinischen Nutzen synthetischer Daten für nachgelagerte Segmentierungsaufgaben bestätigt.
Dieser Beitrag untersucht die Integration graphbasierter Methoden in die raumzeitliche Fernerkundungsanalyse, indem er einen vielseitigen Pipeline-Ansatz zur Verarbeitung von Satellitenbildzeitreihen vorstellt, der durch eine umfassende Übersicht und Fallstudien zu Landbedeckung und Wasserressourcen die Vorteile dieser Techniken für die Modellierung räumlicher und zeitlicher Interaktionen zwischen Objekten unterstreicht.
Das Paper stellt MIRAGE vor, ein effizientes Framework für die degradation-unabhängige Bildwiederherstellung, das durch eine kanalspezifische funktionale Zerlegung und eine Mannigfaltigkeits-Regularisierung sowohl eine überlegene Leistung als auch hohe Recheneffizienz bei der Bewältigung verschiedener Bildkorruptionen in einem einzigen Modell erreicht.
Die Arbeit stellt OmniFall vor, ein einheitliches Benchmark-Dataset für die robuste Sturzdetektion, das durch die Kombination von standardisierten gestellten Aufnahmen, kontrolliert generierten synthetischen Daten und einem privaten Testset aus realen Unfällen eine generalisierbare und datenschutzkonforme Evaluierung über verschiedene Domänen hinweg ermöglicht.
Das Paper stellt Cora vor, ein neuartiges Bildbearbeitungsframework, das mittels korrespondenzbewusster Rauschkorrektur und interpolierter Aufmerksamkeitskarten in wenigen Diffusionsschritten strukturelle Veränderungen, Texturübertragungen und Inhaltsgenerierung präzise vereint, während es die Integrität des Quellbildes bewahrt.
Die Arbeit stellt ECAM vor, eine auf kontrastivem Lernen basierende Erweiterung für Trajektorienvorhersagemodelle, die durch die Berücksichtigung von Umgebungsdaten die Kollisionsrate mit Hindernissen signifikant reduziert.
Die Arbeit stellt LLM-EMF vor, ein neuartiges Modell für die cross-domain sequenzielle Empfehlung, das durch die Fusion von visuellen und textuellen Daten mittels eines eingefrorenen CLIP-Modells sowie die Integration von Large-Language-Model-Kenntnissen und einem Multi-Attention-Mechanismus die Vorhersagegenauigkeit von Benutzerpräferenzen über verschiedene Domänen hinweg signifikant verbessert.
Der Artikel stellt Long-Tailed Knowledge Distillation (LTKD) vor, ein neuartiges Framework, das durch die Aufteilung des Lernziels in gruppenübergreifende und gruppeninterne Verluste sowie durch entsprechende Neugewichtung die Verzerrung von Lehrmodellen bei langschwanzigen Verteilungen korrigiert und so eine ausgewogenere Wissensweitergabe ermöglicht.
Das Paper stellt DyME vor, ein neuartiges Trainingsparadigma, das durch dynamische Auswahl zwischen Memorization (SFT) und Exploration (RLVR) sowie eine synergistische visuelle Überwachung Small Vision-Language Models (SVLMs) befähigt, zuverlässige Denkfähigkeiten für proprietäre Aufgaben zu entwickeln.
Die Studie stellt SelvaBox vor, das derzeit größte frei zugängliche Dataset mit über 83.000 manuell annotierten Baumkronen in hochauflösenden Drohnenaufnahmen aus drei tropischen Ländern, das durch umfassende Benchmarks die Überlegenheit höherer Bildauflösungen für die Detektion belegt und Modelle ermöglicht, die sowohl bei Zero-Shot-Anwendungen als auch in kombinierten Multi-Resolution-Pipelines neuartige Leistungsniveaus erreichen.
Die Autoren stellen einen konzeptbasierten adversarialen Angriffsrahmen vor, der aus einer probabilistischen Perspektive heraus ganze Konzepte als Verteilungen modelliert, um vielfältige und dennoch konzeptgetreue adversariale Beispiele zu erzeugen, die Klassifikatoren effizienter täuschen als herkömmliche Methoden.
Diese Arbeit demonstriert die Anwendung von erklärungsstarken Boosting-Maschinen (EBMs) in Kombination mit wissensgestützten Merkmalsextraktionsverfahren, um ein vollständig interpretierbares maschinelles Lernmodell zur Identifizierung von Overshooting Tops in Satellitenbildern zu entwickeln, das menschliche Expertenstrategien integriert und somit die Zuverlässigkeit in der Hochrisiko-Wettervorhersage erhöht.
Die Arbeit stellt pFedMMA vor, ein personalisiertes Framework für das federierte Fine-Tuning von Vision-Language-Modellen, das durch den Einsatz von Multi-Modal-Adaptern und einem global geteilten Projektionsmechanismus eine überlegene Balance zwischen Personalisierung und Generalisierung bei heterogenen Daten erreicht.
Die Autoren stellen neue Methoden für die konforme Vorhersage bei stark unausgewogenen Klassendistributionen vor, die durch eine prevalence-adjusted softmax-Funktion und eine Interpolation zwischen marginaler und klassenbedingter Abdeckung einen optimalen Kompromiss zwischen der Größe der Vorhersagemengen und der Abdeckung seltener Klassen ermöglichen.
Die Studie stellt BEAST vor, ein skalierbares Framework auf Basis von Self-Supervised Learning und Transformern, das unlabeled Videodaten nutzt, um die Verhaltensanalyse und neuronale Kodierung bei verschiedenen Tierarten auch bei knappen gelabelten Daten zu verbessern.
Diese Arbeit stellt eine Pipeline vor, die mithilfe eines CNN-basierten Primitive-Initialisierers und toleranter Pose-Schätzung die effiziente und präzise 3D-Rekonstruktion nicht-kooperativer Raumfahrzeuge aus monokularen Bildern ermöglicht und so die Anwendung von Novel View Synthesis im Weltraum vorantreibt.