6941 Arbeiten
Das Paper stellt Q-Save vor, ein umfassendes Benchmark-Dataset und ein einheitliches Evaluierungsmodell, das mithilfe einer dreistufigen Trainingsstrategie mit Chain-of-Thought-Formatierung sowohl die Qualität von KI-generierten Videos bewertet als auch detaillierte, interpretierbare Erklärungen für visuelle, dynamische und textbasierte Aspekte liefert.
Das Paper stellt SocialNav vor, ein fundiertes Modell für sozialbewusste Navigation, das durch einen hierarchischen "Gehirn-Aktion"-Ansatz, einen neuartigen Datensatz mit 7 Millionen Proben und ein mehrstufiges Training mit dem neuartigen SAFE-GRPO-Verfahren signifikante Verbesserungen bei Erfolgsrate und sozialer Konformität im Vergleich zum aktuellen Stand der Technik erzielt.
Die Arbeit stellt SpecTemp vor, ein effizientes, auf Reinforcement Learning basierendes Framework für das Verständnis langer Videos, das durch eine kooperative Dual-Modell-Architektur redundante Kontextinformationen reduziert und die Inferenzgeschwindigkeit im Vergleich zu bestehenden Methoden signifikant steigert, ohne dabei die Genauigkeit zu beeinträchtigen.
Die Arbeit stellt TARDis vor, ein physikbewusstes Framework, das durch die Entzerrung zeitinvarianter anatomischer und zeitabhängiger Perfusionsmerkmale die Segmentierung und Klassifizierung von Tumoren in unvollständigen kontrastmittelgestützten CT-Daten verbessert, indem es fehlende Phasen als Lücken in einer kontinuierlichen Zeit-Attenuations-Kurve behandelt.
Diese Arbeit stellt einen selbstüberwachten Ansatz zur Erkennung KI-generierter Bilder vor, der durch das Lernen von Kamera-Metadaten (EXIF) robuste und generalisierbare Merkmale für die forensische Analyse extrahiert.
Die Arbeit stellt FRIEDA vor, einen Benchmark zur Evaluierung komplexer, mehrstufiger kartografischer Schlussfolgerungen in Vision-Language-Modellen, der zeigt, dass selbst fortschrittlichste Modelle erhebliche Defizite im Vergleich zur menschlichen Leistung aufweisen.
Das Paper stellt SHARP vor, eine Methode zur fotorealistischen Synthese neuer Ansichten aus einem einzigen Bild in unter einer Sekunde durch Regression von 3D-Gauß-Parametern, die einen neuen State-of-the-Art in Bezug auf Bildqualität und Geschwindigkeit erreicht.
Diese Arbeit stellt einen neuartigen Rahmen für das ereignisbasierte 3D-Gaussian-Splatting vor, der durch eine Entkopplung der geometrischen und radiometrischen Darstellung mittels Ray-Tracing und gewarpten Ereignisbildern eine überlegene Genauigkeit und hohe zeitliche Auflösung ohne externe Initialisierung erreicht.
Das Paper stellt ColaVLA vor, ein einheitliches Vision-Language-Action-Framework, das durch die Übertragung von kognitiver Latent-Reasoning in einen kompakten Embedding-Raum und einen hierarchischen parallelen Trajektorienplaner die Herausforderungen von Latenz und Diskontinuität bei VLM-basierten autonomen Fahrsystemen löst und gleichzeitig State-of-the-Art-Ergebnisse auf dem nuScenes-Benchmark erzielt.
Die Autoren stellen WMReward vor, eine Methode zur Inference-time-Alignment von Videogenerierungsmodellen, die einen latenten Weltmodell-Reward nutzt, um die physikalische Plausibilität durch das Steuern von Denoising-Trajektorien zu verbessern und dabei den ersten Platz im ICCV 2025 Perception Test PhysicsIQ Challenge zu erreichen.
Die Arbeit stellt CPiRi vor, ein neuartiges Framework für die multivariate Zeitreihenvorhersage, das durch eine kanalpermutationsinvariante Architektur und ein regularisiertes Training sowohl die Abhängigkeiten zwischen Kanälen effektiv nutzt als auch eine robuste Generalisierung auf neue oder neu angeordnete Kanäle ohne Nachtraining ermöglicht.
Diese Arbeit stellt einen lernbasierten HDR-Rekonstruktionsrahmen für Modulo-Bilder vor, der durch skalenäquivariante Regularisierung und ein Feature-Lifting-Design mit Rohdaten, differenzierten Wrap-Artefakten und einer geschlossenen Initialisierung die Unterscheidung zwischen echten Bildstrukturen und Wrap-Diskontinuitäten verbessert und damit state-of-the-art Ergebnisse erzielt.
Die Arbeit stellt CityGenAgent vor, ein naturalsprachgesteuertes Framework, das durch eine zweistufige Lernstrategie aus überwachtem Feinabstimmen und Bestärkendem Lernen eine hierarchische, prozedurale Generierung und Bearbeitung hochwertiger 3D-Städte mit hoher semantischer Ausrichtung und visueller Qualität ermöglicht.
Die Arbeit stellt „Erase at the Core" (EC) vor, ein plattformunabhängiges Framework, das durch tiefüberwachtes Lernen und kontrastives Unlearning auf mehreren Netzwerkebenen sicherstellt, dass nicht nur die Ausgabe, sondern auch die internen Merkmalsrepräsentationen eines Modells effektiv aus dem Gedächtnis gelöscht werden, um so das Phänomen des oberflächlichen Vergessens zu überwinden.
Die Arbeit stellt PixelRush vor, ein trainingsfreies Framework, das durch effizientes Patch-basiertes Denoising und spezielle Glättungsstrategien hochauflösende 4K-Bilder in nur etwa 20 Sekunden generiert und damit den Zustand der Technik um den Faktor 10 bis 35 beschleunigt.
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.