7001 Arbeiten
Die Arbeit stellt einen Decoupled Diffusion Transformer vor, der durch die Kombination von überwachtem Flow Matching für die globale Kohärenz und einem mode-suchenden Verteilungs-Matching für die lokale Realismusübertragung effizient hochqualitative Minuten-videos generiert und dabei die Lücke zwischen Bildqualität und Videolänge schließt.
Das Paper stellt BSDM vor, ein neuartiges, nicht überwachtes Diffusionsmodell zur Hyperspektral-Anomalieerkennung, das durch das Lernen latenter Hintergrundverteilungen und einen statistischen Offset-Modul komplexe Hintergründe unterdrückt und eine hohe Generalisierungsfähigkeit auf verschiedene Datensätze ohne manuelle Label ermöglicht.
Die Arbeit stellt StableMaterials vor, eine neuartige Methode zur Erzeugung fotorealistischer PBR-Materialien mittels halbüberwachtem Lernen und Latent Diffusion Models, die durch adversäres Training, einen Diffusions-Refiner und eine Latent-Consistency-Modell-Destillation eine hohe Vielfalt, Qualität und schnelle Generierung ohne starke Abhängigkeit von annotierten Daten ermöglicht.
Die Arbeit stellt SGIFormer vor, einen neuartigen Transformer-basierten Ansatz für die 3D-Instanzsegmentierung, der durch eine semantisch geführte Abfrageinitialisierung und einen geometrie-gestärkten verschachtelten Decoder sowohl die Genauigkeit als auch die Effizienz bei der Verarbeitung großer 3D-Szenen verbessert und dabei neue State-of-the-Art-Ergebnisse auf mehreren Benchmark-Datensätzen erzielt.
Die vorgestellte Arbeit führt eine parametereffiziente Methode zur Open-Set-Erkennung von Deepfakes vor, die auf einem Vision-Transformer mit leichtgewichtigen Modulen und einer Mischung von Fälschungsstilen basiert, um die Generalisierungsfähigkeit auf unbekannte Domänen bei minimalem Rechenaufwand zu verbessern.
Die Arbeit stellt einen clusterbasierten generativen Rahmen vor, der auf einem Gaußschen Mischmodell und einem VAE aufbaut, um aus einem einzigen Beispiel robuste, abstrahierte Prototypen für visuelle Konzepte zu erzeugen und damit sowohl Klassifikations- als auch Generierungsaufgaben im Sinne des Omniglot-Challenges mit geringer Komplexität und ohne Vorwissen zu lösen.
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.