6643 Arbeiten
Die Arbeit stellt SplatSDF vor, eine neuartige SDF-NeRF-Architektur, die durch eine direkte architektonische Fusion mit 3D-Gaussian-Splats die Konvergenzgeschwindigkeit im Vergleich zu bestehenden Methoden verdreifacht und gleichzeitig eine präzise geometrische Repräsentation für den Einsatz in praktischen Robotersystemen ermöglicht.
Das Paper stellt DGGS vor, ein neuartiges Framework für generalisierbares 3D-Gaussian-Splatting, das durch eine referenzbasierte Maskenprädiktion und einen zweistufigen Inferenzprozess Störungen in neuen Szenen effektiv eliminiert und dabei sowohl die Trainingsstabilität als auch die Rekonstruktionsqualität verbessert.
Die Arbeit stellt einen Rahmen vor, der Open-Vocabulary-Objektdetektionsmodelle durch die Einführung von OWEL und MSCAL in die Lage versetzt, unbekannte Objekte in Open-World-Szenarien zu identifizieren und inkrementell zu lernen, wodurch die Zuverlässigkeit in kritischen Anwendungen wie der autonomen Fahrzeugwahrnehmung verbessert wird.
Die vorgestellte Methode nutzt einen vortrainierten Text-zu-Video-Diffusionsmodell mit SDS-Verlust, ergänzt durch eine Länge-Bereich-Regularisierung für zeitliche Konsistenz und einen ARAP-Verlust zur Wahrung der Starrheit, um handgezeichnete Skizzen basierend auf Textprompts realistisch und topologieerhaltend zu animieren.
Das Paper stellt PPT vor, ein einfaches und skalierbares Vortrainierungsframework für die Bewegungsprognose autonomer Fahrzeuge, das automatisch generierte Pseudo-Trajektorien nutzt, um robuste Repräsentationen zu erlernen und die Generalisierungsfähigkeit insbesondere bei geringen Datenmengen und in domänenübergreifenden Szenarien zu verbessern.
Die Arbeit stellt IV-tuning vor, eine parameter-effiziente Transferlernmethode, die vortrainierte visuelle Modelle durch das Einfrieren der meisten Parameter nutzt, um die Generalisierungsfähigkeit und Skalierbarkeit bei Infrarot-Sicht-Aufgaben erheblich zu verbessern und dabei mit nur 3% trainierbaren Parametern den aktuellen Stand der Technik zu übertreffen.
Die Arbeit stellt MomentMix, eine Augmentierungsmethode zur Steigerung der Merkmalsvielfalt bei kurzen Videomomenten, und einen Längen-bewussten Decoder vor, die gemeinsam mit einem DETR-basierten Modell die Genauigkeit der Moment-Retrieval-Aufgabe, insbesondere bei kurzen Zeitabschnitten, signifikant verbessern und neue State-of-the-Art-Ergebnisse auf mehreren Benchmarks erzielen.
Das Paper stellt JOSH vor, eine neuartige optimierungsbasierte Methode zur gemeinsamen Rekonstruktion von menschlicher Bewegung und Umgebung aus monokularen Videos, die durch die Nutzung von Kontaktbeschränkungen zwischen Mensch und Szene sowohl die Genauigkeit der globalen Bewegungsabschätzung als auch der dichten Szenenrekonstruktion verbessert, sowie JOSH3R, ein effizientes, trainiertes Modell, das mit von JOSH generierten Pseudo-Labels über andere optimierungsfreie Methoden hinausgeht.
Die Studie zeigt, dass nicht-diffusionsbasierte adversäre Bereinigungsmodelle in praktischen Szenarien eine vergleichbare Robustheit erreichen und durch überlegene Transferierbarkeit sowie Farbgenealisierung sogar State-of-the-Art-Ergebnisse auf ImageNet erzielen können, ohne zusätzliche Trainingsdaten zu benötigen.
Die Arbeit stellt Dual-IPO vor, ein iteratives Optimierungsverfahren, das durch die wechselseitige Verbesserung eines mit CoT-Argumentation und Selbstkonsistenz ausgestatteten Belohnungsmodells sowie eines Text-zu-Video-Generierungsmodells die Qualität und die Ausrichtung an menschlichen Präferenzen ohne manuelle Annotationen signifikant steigert.
Die Arbeit stellt RelaCtrl vor, ein relevanzgesteuertes Framework für Diffusion Transformer, das durch die layer-spezifische Anpassung von Kontrollschichten und den Einsatz eines Two-Dimensional Shuffle Mixers die Effizienz und Ressourcennutzung bei der kontrollierten Bild- und Videogenerierung erheblich verbessert, ohne die Qualität zu beeinträchtigen.
Die Arbeit stellt U-F-CBM vor, eine neue Methode, die beliebige eingefrorene visuelle Klassifikatoren ohne CLIP, ohne manuelle Bild-Konzept-Labels und ohne überwachtes Training in interpretierbare Concept Bottleneck Models umwandelt und dabei den aktuellen State-of-the-Art übertrifft.
Das Papier stellt UniFuture vor, ein einheitliches 4D-Fahrweltmodell, das durch einen Dual-Latent-Sharing-Ansatz und Multi-Scale-Latent-Interaction-Mechanismen zukünftige RGB-Bilder und Tiefenkarten gemeinsam generiert, um so eine geometrisch konsistente und visuell hochwertige Simulation dynamischer Fahrzeugszenen zu ermöglichen.
Die Arbeit führt eine frequenzbasierte Analyse von Gate-Mechanismen durch und stellt darauf aufbauend GmNet vor, ein leichtgewichtiges Modell, das durch die Minimierung von Verzerrungen bei niedrigen Frequenzen sowohl effizient als auch effektiv für Bildklassifizierungsaufgaben ist.
Die Arbeit stellt ViT-Linearizer vor, ein Framework zur Wissensdistillation, das die komplexen Repräsentationen von Vision-Transformern in effiziente, lineare rekurrente Modelle überträgt und dabei sowohl die Inferenzgeschwindigkeit bei hohen Auflösungen erheblich steigert als auch die Leistung von Mamba-Architekturen auf Standard-Benchmarks wie ImageNet signifikant verbessert.
Das Paper stellt LAMM-ViT, einen Vision Transformer mit regionsgeführter Aufmerksamkeit und schichtspezifischer Maskenmodulation, vor, der durch die Erkennung fundamentaler struktureller Inkonsistenzen in Gesichtern die Generalisierungsfähigkeit bei der Detektion von KI-generierten Fälschungen im Vergleich zum aktuellen Stand der Technik signifikant verbessert.
Diese Arbeit stellt einen 3D-Objektdetektionsrahmen vor, der durch reflektionsbasierte Wissensdistillation und eine geometrische Reflektionsvorhersage die Robustheit und Genauigkeit der Objekterkennung in komprimierten Punktwolken bei reduzierter Datenübertragung verbessert.
Das Paper stellt BriGeS vor, eine effiziente Methode zur generalisierten monokularen Tiefenschätzung, die durch einen neuartigen Bridging Gate und Attention Temperature Scaling die Stärken geometrischer und semantischer Foundation-Modelle fusioniert, um komplexe Szenen präzise zu erfassen und dabei den Trainingsaufwand zu minimieren.
Der Artikel stellt „Sparse Imagination" vor, eine effiziente Planungsmethode für visuelle Weltmodelle, die durch eine spärliche Token-Verarbeitung und einen randomisierten Gruppen-Aufmerksamkeitsmechanismus die Rechenkosten in ressourcenbeschränkten Robotik-Szenarien drastisch senkt, ohne die Kontrollgenauigkeit zu beeinträchtigen.
Das Paper stellt LinGuinE vor, ein PyTorch-Framework, das Bildregistrierung und geführte Segmentierung kombiniert, um aus einem einzigen radiologischen Prompt präzise longitudinale Tumorverläufe und Volumensegmentierungen über mehrere Zeitpunkte hinweg zu erzeugen, ohne dass dafür spezifische Trainingsdaten erforderlich sind.