7090 Arbeiten
Die vorgestellte Arbeit stellt eine Pipeline vor, die Neural Radiance Fields (NeRF), LiDAR-SLAM und GNSS kombiniert, um präzise, geo-referenzierte 3D-Rekonstruktionen von Jungbäumen für ein wiederholbares und quantitatives ökologisches Monitoring zu ermöglichen.
Die Studie zeigt, dass Bildunterschriften-Modelle zwar eindeutige stilistische Signaturen aufweisen, diese jedoch in den daraus generierten Bildern weitgehend verloren gehen, da wesentliche Details wie Farbverteilung und Objektdichte nicht konsistent übernommen werden.
Das Paper stellt ProjFlow vor, einen trainingsfreien Sampler, der durch eine neuartige, skeletttopologiebewusste Metrik und eine zeitvariable Formulierung präzise lineare räumliche Bewegungsbeschränkungen ohne Einbußen an Natürlichkeit erfüllt.
Die Autoren stellen einen einheitlichen Rahmen zur Wiederherstellung versteckter Codes vor, der durch mehrskalige Vektorquantisierung und bedingte Transformer-Module sowohl die faktische Suche als auch die Rekonstruktion von Deepfake-bearbeiteten Naturbildern ermöglicht und dies durch den neu eingeführten ImageNet-S-Benchmark evaluiert.
Die Arbeit stellt TrajTok vor, einen effizienten, end-to-end integrierten Video-Tokenizer, der durch dynamische, semantikbasierte Objekt-Trajektorien die Skalierbarkeit von Videomodellen verbessert und in verschiedenen Anwendungen wie Klassifizierung, Retrieval und Langvideo-Reasoning zu State-of-the-Art-Ergebnissen führt.
Das Paper stellt SceneTransporter vor, ein Framework, das mittels optimaler Transportführung in einem zusammengesetzten latenten Diffusionsmodell aus einem einzelnen Bild strukturierte 3D-Szenen erzeugt, indem es durch exklusive Zuordnungen und konkurrierende Gruppierung die Instanzkohärenz und geometrische Treue in offenen Welten verbessert.
Die Autoren stellen eine robuste Methode zur Vorhersage menschlicher Trajektorien vor, die ein selbstüberwachtes, auf Masked Autoencoding basiertes Skelett-Repräsentationsmodell nutzt, um die Genauigkeit auch bei durch Okklusionen verursachten fehlenden Gelenkdaten zu erhalten.
Die Arbeit stellt GSTurb vor, ein neuartiges Framework zur Minderung atmosphärischer Turbulenzen, das optischen Fluss für die Neigungskorrektur mit Gaussian Splatting zur Modellierung von Unschärfe kombiniert und damit sowohl auf synthetischen als auch auf realen Datensätzen den aktuellen Stand der Technik übertrifft.
Das Paper stellt Face Time Traveller (FaceTT) vor, ein diffusion-basiertes Framework, das durch eine prompt-verfeinernde Strategie, eine tuning-freie Inversionsmethode und eine adaptive Aufmerksamkeitssteuerung realistische Alterungsprozesse bei gleichzeitiger Bewahrung der Identität und des Hintergrunds ermöglicht.
Die vorgestellte CMSA-Net-Framework adressiert die Herausforderungen der Video-Polyp-Segmentierung durch einen kausalen Multi-Scale-Aggregationsmechanismus und eine adaptive Multi-Source-Referenzstrategie, die zusammen eine präzise Echtzeit-Segmentierung auf dem SUN-SEG-Datensatz ermöglichen.
Diese Studie stellt ein kostengünstiges, feldtaugliches multispektrales Bildgebungssystem in Kombination mit maschinellem Lernen vor, das eine präzise, zerstörungsfreie Vorhersage der Bodenkomposition und eine hochgenaue Klassifizierung nach USDA-Bodentexturkategorien ermöglicht.
Die Studie zeigt, dass gerichtete kontextuelle Einflüsse die moralischen Entscheidungen von Sprachmodellen in Trolley-Problem-Szenarien signifikant verändern können, wobei diese Verschiebungen oft nicht durch die Basispräferenzen vorhergesagt werden und durch Reasoning zwar die durchschnittliche Empfindlichkeit verringert, aber die Wirkung verzerrter Few-Shot-Beispiele verstärkt wird.
Die Studie stellt CheXficient vor, einen effizienten Brust-Röntgen-Foundation-Modell, das durch gezielte Datenselektion statt massiver Skalierung mit nur einem Bruchteil der Daten und Rechenleistung vergleichbare oder bessere Leistungen erzielt und dabei insbesondere unterrepräsentierte Krankheitsbilder verbessert.
Die Arbeit stellt DPE (Diagnostic-driven Progressive Evolution) vor, einen iterativen Trainingsansatz für große multimodale Modelle, der durch eine spiralförmige Schleife aus Diagnose, gezieltem Daten-Generierung und Verstärkung statische Trainingsgrenzen überwindet und stabile Leistungssteigerungen über diverse Benchmarks hinweg erzielt.
Die Arbeit stellt GraspLDP vor, einen Ansatz, der durch die Integration von Greifpriorwissen in ein latentes Diffusionsmodell und eine selbstüberwachte Rekonstruktion die Präzision und Generalisierungsfähigkeit von Greifstrategien im Rahmen des Imitationslernens signifikant verbessert.
Das Paper stellt SO3UFormer vor, einen rotation-robusten Architekturansatz für die semantische Segmentierung von Panoramen, der durch intrinsische sphärische Merkmale und geometrisch konsistente Mechanismen die Abhängigkeit von der Ausrichtung überwindet und damit unter beliebigen 3D-Rotationen eine deutlich höhere Stabilität als bestehende State-of-the-Art-Modelle erreicht.
Die Autoren stellen einen neuen Ansatz für die semi-überwachte multimodale Domänengeneralisierung (SSMDG) vor, der durch konsensgesteuerte Konsistenzregularisierung, diskrepanzbewusste Regularisierung und cross-modale Prototypen-Alignment robuste Modelle mit wenigen Labels trainiert und gleichzeitig mit fehlenden Modalitäten umgehen kann.
Die Arbeit stellt Chain of Flow (COF) vor, ein grundlegendes generatives Framework, das aus einzelnen EKG-Signalen individualisierte 4D-Herz-Zwillinge rekonstruiert und diese damit von reinen Vorhersagemodellen zu vollständig manipulierbaren, patientenspezifischen virtuellen Herzen für eine breite Palette klinischer Simulationen weiterentwickelt.
Diese Arbeit stellt den OSDaR-AR-Datensatz vor, der durch ein neuartiges Multi-Modal-Augmented-Reality-Framework mit Unreal Engine 5 photorealistische virtuelle Objekte präzise in reale Eisenbahnsequenzen integriert, um die Lücke zwischen Simulation und Realität zu schließen und die Entwicklung sicherheitskritischer Wahrnehmungssysteme zu fördern.
Die Autoren stellen WaterVideoQA, ein umfassendes Video-Frage-Antwort-Benchmark für Wasserstraßen, und NaviMind, ein neuro-symbolisches Multi-Agenten-System, vor, die autonomen Wasserfahrzeugen durch regelkonformes, interpretierbares Schlussfolgern eine sichere Navigation in dynamischen maritimen Umgebungen ermöglichen.