6589 Arbeiten
In diesem Paper wird MAILS vorgestellt, ein neuartiges, kartenfreies LiDAR-Relokalisierungsframework für UAVs, das durch spezielle Module zur Merkmalsextraktion und Positionsverschlüsselung eine hohe Robustheit gegenüber Flugbewegungen bietet und durch die Einführung eines neuen, realistischen Datensatzes den aktuellen Forschungsstand übertrifft.
Die Arbeit stellt COOPERTRIM vor, einen adaptiven Rahmen für die kooperative Wahrnehmung, der durch die Nutzung von zeitlicher Kontinuität und einer neuartigen Unsicherheitsmetrik redundante Daten filtert, wodurch die Bandbreitennutzung drastisch reduziert wird, ohne die Genauigkeit bei Aufgaben wie der semantischen Segmentierung und 3D-Objekterkennung zu beeinträchtigen.
Die Arbeit stellt Diff-Aid vor, eine leichte Inference-time-Methode, die die Interaktion zwischen Text und Bild in rektifizierten Text-zu-Bild-Generierungsmodellen durch adaptive Anpassung über Transformer-Blöcke und Denoising-Zeitschritte hinweg verbessert, was zu einer höheren Prompt-Treue, besserer Bildqualität und interpretierbaren Mustern führt.
Die Arbeit stellt SceneTok vor, einen neuartigen Tokenizer, der 3D-Szenen in einen stark komprimierten, permutationsinvarianten und diffusionsfähigen Token-Raum kodiert, der sowohl eine überlegene Rekonstruktionsqualität bei deutlich höherer Kompression als auch eine effiziente Szenengeneration und flexible Neuansicht-Rendering ermöglicht.
Die Autoren stellen einen lernfreien Rahmen für die multimodale Datensatzdestillation vor, der mithilfe von CLIP-Prototypen und einem unCLIP-Decoder synthetische Bild-Text-Paare erzeugt, um kosteneffizientes Training zu ermöglichen und eine überlegene generalisierbare Leistung über verschiedene Architekturen hinweg zu erzielen.
Das Paper stellt One2Scene vor, ein Framework, das aus einem einzigen Bild erkundbare 3D-Szenen erzeugt, indem es die Aufgabe in die Generierung von Ankeransichten, den Aufbau eines geometrischen Gerüsts mittels Gaussian Splatting und die Erzeugung neuer Ansichten zerlegt, um so stabile und geometrisch konsistente Ergebnisse auch bei großen Kamerabewegungen zu gewährleisten.
Die Arbeit widerlegt die gängige Interpretation von Test-Time Training mit KV-Bindung als reines Memorieren und zeigt stattdessen, dass es sich im Kern um einen gelernten linearen Aufmerksamkeitsoperator handelt, was zu vereinfachten Architekturen und effizienteren, parallelisierbaren Formulierungen führt.
Die Arbeit stellt FedVG vor, einen neuartigen, auf Gradienten basierenden Aggregationsrahmen für das Federated Learning, der mithilfe eines globalen Validierungssets die Generalisierungsfähigkeit von Client-Modellen bewertet und so das Problem des Client-Drifts in heterogenen Umgebungen effektiv adressiert.
FlowFixer ist ein Verfeinerungsframework für die subjektgetriebene Bildgenerierung, das durch eine direkte Bild-zu-Bild-Übersetzung und ein neuartiges einstufiges Denoising-Training feine Details wiederherstellt, die bei Skalierungs- und Perspektivänderungen verloren gehen, und dabei die Genauigkeit über herkömmliche semantische Metriken hinaus verbessert.
Die Arbeit stellt PhysicEdit vor, ein Framework, das mithilfe des neuartigen PhysicTran38K-Datensatzes und eines dualen Denkmechanismus physikalisch plausible Bildbearbeitungen ermöglicht, indem es den Prozess von statischen Abbildungen auf dynamische Zustandsübergänge umformuliert.
Die Studie stellt SemVideo vor, ein neuartiges Framework zur Rekonstruktion von Videos aus fMRT-Aktivität, das durch hierarchische semantische Hinweise die zeitliche Kohärenz und visuelle Konsistenz bisheriger Ansätze deutlich verbessert.
Die Arbeit stellt Association DETR vor, ein neues Objekterkennungsmodell, das durch die Einbeziehung von Hintergrundkontextinformationen, die bisherige Modelle wie YOLO und RT-DETR vernachlässigen, einen neuen State-of-the-Art auf dem COCO val2017-Datensatz erreicht.
Die Arbeit stellt GFRRN vor, ein neuartiges Netzwerk zur Entfernung von Reflexionen aus Einzelbildern, das durch Parameter-effizientes Fine-Tuning, einen Label-Generator zur Vereinheitlichung von Trainingsdaten sowie adaptive Frequenzlernen- und dynamische Agenten-Aufmerksamkeitsmechanismen die semantischen Lücken und Inkonsistenzen bestehender Methoden überwindet und somit den aktuellen Stand der Technik übertrifft.
Die Arbeit stellt SPATIALALIGN vor, ein Selbstverbesserungs-Framework für Text-zu-Video-Modelle, das durch eine nullte Ordnung regularisierte Direct Preference Optimization und eine geometriebasierte Metrik namens DSR-SCORE die Fähigkeit zur Darstellung dynamischer räumlicher Beziehungen in Textprompts signifikant verbessert.
Das Paper stellt WARM-CAT vor, einen neuartigen Ansatz für das zusammengesetzte Zero-Shot-Lernen, der durch die Akkumulation multimodalen Wissens aus unüberwachten Daten, adaptive Prototypen-Updates und eine warm-starte Prioritätswarteschlange die Verteilungsverschiebung bei Testzeiten adressiert und dabei auf einem neu eingeführten C-Fashion-Datensatz sowie verfeinerten MIT-States-Daten State-of-the-Art-Ergebnisse erzielt.
Diese Arbeit stellt das erste Framework zur bewegungsabhängigen Ereignisunterdrückung vor, das in Echtzeit IMOs segmentiert und deren zukünftige Bewegung vorhersagt, um dynamische Ereignisse proaktiv zu filtern und dabei sowohl die Segmentierungsgenauigkeit als auch die Inferenzgeschwindigkeit signifikant zu steigern und downstream-Anwendungen wie Vision Transformer und visuelle Odometrie zu verbessern.
Dieser Artikel stellt eine umfassende Herleitung einer vereinigten analytischen Lösung für den durch photoakustische Quellen mit sphärisch symmetrischen Anfangsdruckverteilungen erzeugten akustischen Druck vor, die spezifische Ausdrücke für gängige Verteilungen liefert und durch eine Open-Source-Implementierung für ultraschnelle Vorwärtssimulationen ergänzt wird.
Die Studie stellt AV-LMMDetect vor, einen auf Qwen 2.5 Omni basierenden, feinabgestimmten großen multimodalen Modellansatz für die Audio-Video-Deepfake-Erkennung, der durch eine zweistufige Trainingsstrategie den aktuellen Stand der Technik auf dem Mavos-DD-Datensatz erreicht und die Generalisierungsfähigkeit bestehender, kleinerer Modelle verbessert.
Diese Studie entmystifiziert die Gestaltung von Aktionsräumen für robotische Manipulationsrichtlinien durch eine groß angelegte empirische Analyse, die zeigt, dass die Vorhersage von Delta-Aktionen die Leistung verbessert und dass Gelenk- sowie Aufgabenraum-Parameterisierungen komplementäre Stärken in Bezug auf Kontrollstabilität und Generalisierung bieten.
Die Arbeit stellt DesignSense vor, ein Framework bestehend aus einem großen, menschlich annotierten Datensatz für grafische Layouts und einem darauf trainierten Belohnungsmodell, das die Lücke bei der Bewertung ästhetischer Layouts schließt und die Qualität der Layoutgenerierung durch verbesserte menschliche Präferenzmodellierung signifikant steigert.