6805 Arbeiten
Das Paper stellt HiDrop vor, ein Framework für Multimodale Large Language Models, das durch späte Injektion visueller Tokens, konvexe Pyramiden-Pruning mit Early-Exit-Mechanismus und weitere Optimierungen etwa 90 % der visuellen Tokens reduziert und dabei die Leistung beibehält sowie das Training um das 1,72-fache beschleunigt.
Diese Arbeit stellt ein zuverlässiges Indoor-Navigationssystem für Menschen vor, das Augmented Reality mit Vuforia Area Target, NavMesh und dem A*-Algorithmus kombiniert, um eine präzisere, effizientere und benutzerfreundlichere Wegführung in Innenräumen im Vergleich zu herkömmlichen Methoden zu ermöglichen.
Das Paper stellt EgoGraph vor, ein training-freies Framework zur Konstruktion dynamischer Wissensgraphen, das durch die explizite Kodierung langfristiger, entitätsübergreifender Abhängigkeiten in ultra-langen Egocentric-Videos einen neuen State-of-the-Art für das Verständnis und die Beantwortung von Fragen über solche Sequenzen erreicht.
Die Studie stellt fest, dass einheitliche multimodale Sprachmodelle zwar über starke textbasierte Schlussfolgerungs- und Bildgenerierungsfähigkeiten verfügen, jedoch an einer signifikanten semantischen Inkonsistenz leiden, wenn sie komplexe Fragen direkt in visuelle Antworten umsetzen müssen, was auf eine mangelnde semantische Ausrichtung zwischen den Modalitäten und nicht auf eine generative Unzulänglichkeit hinweist.
Die Arbeit stellt StemVLA vor, ein Open-Source-Vision-Language-Action-Modell, das durch die explizite Integration zukünftiger 3D-Raumgeometrie und historischer 4D-Spatiotemporal-Darstellungen die räumliche Schlussfolgerung und langfristige Entscheidungsfindung bei Robotermanipulationsaufgaben verbessert und damit neue Maßstäbe auf dem CALVIN ABC-D-Benchmark setzt.
Die Autoren stellen eine neuartige Differenz-der-Differenzen-Methode vor, die durch die Berechnung der Varianz des Rekonstruktionsfehlers (eine zweite Differenz) anstelle des Rekonstruktionsfehlers selbst die Erkennung von KI-generierten Bildern trotz deren zunehmender Ähnlichkeit zu realen Bildern deutlich verbessert.
Die Arbeit stellt UTPTrack vor, ein einheitliches Framework zur Token-Pruning, das erstmals alle Komponenten eines One-Stream-Trackers gemeinsam komprimiert und dabei durch eine aufmerksamkeitsgesteuerte Strategie sowohl die Recheneffizienz als auch die Genauigkeit in RGB- und multimodalen Szenarien signifikant verbessert.
Das Paper stellt U-Mind vor, ein einheitliches Framework für intelligente, Echtzeit-Multimodal-Interaktionen, das durch eine neuartige Ausrichtungs- und Denkstrategie sowie eine textbasierte Inferenzpipeline Sprache, Sprache, Bewegung und Videosynthese in einem einzigen, synchronisierten Kreislauf vereint.
Diese Studie untersucht die Verhaltensunterschiede zwischen Menschen und Vision-Language-Modellen bei der Erkennung mehrdeutiger japanischer Zeichen und zeigt auf, dass sich deren Entscheidungsgrenzen im reinen Formkontext unterscheiden, während der Einbettungskontext die menschliche Übereinstimmung in bestimmten Fällen verbessern kann.
Die Arbeit stellt CausalProto vor, ein unüberwachtes kausales prototypisches Netzwerk, das mithilfe eines strukturellen kausalen Modells und eines Informationsengpasses Umwelteinflüsse von pathologischen Merkmalen entkoppelt, um in der Dermoskopie sowohl eine höhere diagnostische Genauigkeit als auch eine vertrauenswürdige, verzerrungsfreie visuelle Interpretierbarkeit zu erreichen.
Die Arbeit stellt NIST vor, einen leichten post-processing-Ansatz, der durch neuronale Bildraum-Tessellation und eine implizite Verformung von Konturen den visuellen Effekt von Tessellation auf Low-Poly-Meshes in Echtzeit erzeugt, ohne die geometrische Komplexität zu erhöhen.
Die Arbeit stellt Selfment vor, ein vollständig selbstüberwachtes Framework, das ohne manuelle Annotationen präzise Objektsegmentierungen durch iterative Patch-Optimierung und kontrastives Lernen erzeugt und dabei neue State-of-the-Art-Ergebnisse auf mehreren Benchmarks sowie eine bemerkenswerte Zero-Shot-Verallgemeinerung auf getarnte Objekte erreicht.
Die Arbeit stellt OPTIAGENT vor, ein physikgetriebenes Agenten-Framework, das mittels eines spezialisierten Datensatzes, hybrider Trainingsziele und einer lexikografischen Belohnungsfunktion Large Language Models befähigt, komplexe optische Linsensysteme automatisch und präzise zu entwerfen.
Die Studie stellt VideoPulse vor, einen Datensatz und eine End-to-End-Pipeline, die mittels berührungsloser Videobehandlung Herzfrequenz und Sauerstoffsättigung (SpO2) bei Neugeborenen präzise schätzt und so eine kostengünstige, nicht-invasive Überwachung in der Intensivmedizin ermöglicht.
Diese Arbeit stellt einen neuartigen Rahmen vor, der einen vortrainierten Vision-Foundation-Modell (DINOv3) mit spezialisierten 3D-Anpassungsmechanismen kombiniert, um bei extrem wenigen Trainingsdaten eine robuste und domänenübergreifende Gefäßsegmentierung zu ermöglichen und dabei den aktuellen Standard nnU-Net signifikant zu übertreffen.
Die Arbeit stellt mit FluoMix das erste Datenset und mit FluoCLIP ein darauf aufbauendes zweistufiges Vision-Language-Framework vor, um die bisher vernachlässigte stäbchenabhängige Fokusqualitätsbewertung in der Fluoreszenzmikroskopie durch eine stäbchenbewusste Modellierung zu ermöglichen.
Das Paper stellt EMO-R3 vor, ein Framework für reflektives Reinforcement Learning, das durch strukturiertes emotionales Denken und einen reflexiven emotionalen Belohnungsmechanismus die Interpretierbarkeit und emotionale Intelligenz multimodaler Sprachmodelle verbessert.
Die Studie stellt BiM-GeoAttn-Net vor, einen leichten Rahmen, der bidirektionale Tiefen-Mamba-Modellierung mit geometriebewusster Aufmerksamkeit kombiniert, um die präzise 3D-Segmentierung von Aortendissektionen in CTA-Bildern durch effiziente Erfassung von Schichtabhängigkeiten und strukturelle Verfeinerung zu verbessern.
Die Arbeit stellt Sea² vor, einen unüberwachten Ansatz zur domänenübergreifenden visuellen Anpassung, der einen personalisierten VLM-gesteuerten Agenten nutzt, um durch aktive Pose-Steuerung und skalare Rückmeldungen die Leistung vortrainierter Wahrnehmungsmodelle in neuen Umgebungen zu verbessern, ohne diese Modelle selbst nachtrainieren zu müssen.
Die Arbeit stellt einen neuen Ansatz für die bimanuelle Manipulation vor, der auf einem vortrainierten 3D-geometrischen Fundamentmodell basiert, um durch die gemeinsame Vorhersage von Aktionssequenzen und zukünftigen 3D-Strukturen aus reinen RGB-Bildern eine überlegene räumliche Wahrnehmung und Koordination zu erreichen.