7047 Arbeiten
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.
Die vorgestellte Arbeit präsentiert ein effizientes Framework zur Übersetzung von CBCT- in MDCT-Bilder mittels eines Schrödinger-Brücken-Ansatzes mit bedingter Diffusion, das menschliches Feedback integriert, um Schattenartefakte gezielt zu unterdrücken und gleichzeitig die anatomische Genauigkeit zu erhalten.
Diese Arbeit schlägt eine auf Austauschbarkeit statt Unabhängigkeit basierende Methode vor, um durch die Kontrolle von Vordergrund-Hintergrund-Unterschieden in allen Netzwerkschichten die Verteilungsverschiebungen beim Zusammenführen heterogener medizinischer Bilddatensätze zu bewältigen und so die Segmentierungsleistung bei Datenknappheit zu verbessern.
Das Paper stellt LayerT2V vor, ein einheitliches Framework für die Text-zu-Video-Generierung, das erstmals in einem einzigen Inferenzschritt semantisch konsistente, bearbeitbare Videoebenen (Hintergrund, Vordergrund und Alpha-Masken) erzeugt, indem es die Kompression moderner Backbones nutzt und durch das neue VidLayer-Dataset sowie spezielle Architekturmodifikationen trainiert wird.
Das Papier stellt RAP vor, ein Echtzeit-Framework für audiogetriebene Porträtanimation, das mittels eines hybriden Aufmerksamkeitsmechanismus und eines statisch-dynamischen Trainingsparadigmas hochwertige, synchronisierte sprechende Gesichter aus einem einzigen Referenzbild und Audiosignal erzeugt, ohne explizite Bewegungssupervision zu benötigen.
Die Arbeit stellt MixCache vor, ein trainingsfreies Framework für Video-DiT-Modelle, das durch eine kontextbewusste Auslösung und eine adaptive hybride Granularitätsstrategie die Inferenzgeschwindigkeit signifikant steigert, ohne dabei die Generierungsqualität zu beeinträchtigen.
Die Arbeit stellt Dyslexify vor, eine trainingsfreie Verteidigungsmethode, die durch gezielte Ablation spezifischer Aufmerksamkeitsköpfe im CLIP-Modell typografische Angriffe wirksam abwehrt, ohne dabei die allgemeine Bilderkennungsleistung signifikant zu beeinträchtigen.
Diese Arbeit stellt eine neuartige, bildorientierte selbstadaptive Methode zur Konstruktion von Datensätzen für reale multimodale Sicherheitsszenarien vor, die einen standardisierten 35.000-Paar-Datensatz sowie eine einheitliche Evaluierungsmetrik für die Sicherheit multimodaler Sprachmodelle bereitstellt.
Die Arbeit stellt Loc vor, eine interpretierbare und präzise Methode zur grob-feinen Cross-View-Lokalisierung, die die 3-DoF-Pose eines Bodenaufnahmeschusses durch das direkte Matching lokaler Merkmale mit einem Luftbild, deren Tiefenhebung und skalenbewusste Procrustes-Alignment schätzt, ohne auf globale Deskriptoren oder Pixel-Annotationen angewiesen zu sein.
Die Arbeit stellt ST-GS vor, ein neuartiges Framework zur 3D-Semantischen Okkupationsvorhersage, das durch eine leitlinienbasierte räumliche Aggregation und eine geometriebewusste zeitliche Fusion die räumliche Interaktion und zeitliche Konsistenz in visionbasierten autonomen Fahrszenen verbessert und dabei State-of-the-Art-Ergebnisse auf dem nuScenes-Benchmark erzielt.
Die Arbeit stellt ViTP (Visual Instruction Pretraining) vor, einen neuen Ansatz, der durch die Einbettung eines Vision Transformers in ein Vision-Language-Modell und die Anwendung von Visual Robustness Learning (VRL) auf domänenspezifische Instruktionsdaten die Wahrnehmung durch logisches Schlussfolgern verbessert und damit auf 16 Benchmarks im Bereich der Fernerkundung und medizinischen Bildgebung neue State-of-the-Art-Ergebnisse erzielt.
Das Papier stellt PartSAM vor, das erste promptbare Modell für die 3D-Teilesegmentierung, das durch eine native Triplane-Architektur und eine neuartige Annotation auf über fünf Millionen 3D-Formen erstmals überlegene, taxonomiefreie Ergebnisse sowohl für Oberflächen- als auch für innere Strukturen erzielt.
Diese Arbeit stellt ein diffusion-basiertes Framework für sichere und reversible Gesichtsanonymisierung vor, das durch die direkte Einbettung eines geheimen Schlüssels in den Diffusionsprozess eine autorisierte Identitätswiederherstellung ermöglicht, während unbefugte De-Anonymisierung verhindert wird.
Die Autoren stellen ein neues asynchrones Diffusionsmodell vor, das durch die dynamische Zuweisung unterschiedlicher Timesteps zu einzelnen Pixeln den Kontext für prompt-bezogene Regionen verbessert und so die Ausrichtung von Text-zu-Bild-Generierungen signifikant erhöht.
Diese Studie zeigt, dass vortrainierte multimodale Large Language Models ohne Feinabstimmung soziale Medienbilder nutzen können, um Hagelkörner zuverlässig zu detektieren und deren Durchmesser mit einer durchschnittlichen Abweichung von nur 1,12 cm zu messen, wodurch sie traditionelle Sensoren bei der schnellen Bewertung von Unwettern ergänzen.