7459 Arbeiten
Die Studie stellt ein vision-sprachbasiertes Multi-Agenten-System vor, das Deep-Learning-Modelle mit einem VLM-Agenten kombiniert, um die Genauigkeit der Koloniezählung in der pharmazeutischen Qualitätskontrolle zu verbessern und die manuelle Überprüfung um 85 % zu reduzieren.
Diese Studie stellt die Methode der Threshold Guarding Optimization (TGO) vor, die durch die Erhöhung der Gradientensparsität und die Einführung probabilistischer Spiking-Neuronen die Anfälligkeit von direkt trainierten Spiking Neural Networks gegenüber adversarialen Angriffen signifikant reduziert.
Die Arbeit stellt \method vor, einen effizienten Schätzer für die Modell-Evidenz von Diffusionsmodellen, der während der Posterior-Sampling-Prozesse anfallende Zwischenstufen nutzt, um bei wenigen Stichproben eine genaue Modellauswahl und Diagnose von Prior-Fehlanpassungen in inversen Bildgebungsproblemen zu ermöglichen.
Diese Arbeit beweist den Satz der endlichen primitiven Basis, der zeigt, dass sich jedes Vorwärtsmodell im Bereich der rechnerischen Bildgebung als gerichteter azyklischer Graph aus genau 11 kanonischen Primitiven approximativ darstellen lässt, und legt damit die mathematischen Grundlagen für das Framework des physikalischen Weltmodells (PWM) fest.
WildGHand ist ein optimierungsbasiertes Framework, das mithilfe einer dynamischen Entwirrungsmodul und einer störungsbewussten Optimierungsstrategie hochpräzise 3D-Hand-Avatare aus monokularen Videos unter realen, gestörten Bedingungen rekonstruiert und dabei den State-of-the-Art übertrifft.
Die Arbeit stellt BFA++ vor, einen hierarchischen Token-Pruning-Ansatz für Multi-View-Vision-Language-Action-Modelle, der durch eine zweistufige, aufgabenbewusste Selektion von Bild- und Kamerainformationen die Inferenzgeschwindigkeit und die Erfolgsrate bei robotischen Manipulationsaufgaben signifikant verbessert.
Die Arbeit stellt AIForge-Doc vor, das erste Benchmark-Dataset für die Detektion von Diffusionsmodell-basierten Fälschungen in Finanzdokumenten, das zeigt, dass bestehende Forensik-Methoden und KI-Modelle bei der Erkennung solcher Manipulationen versagen.
Diese Arbeit stellt den „Interactive Enhanced Driving Dataset" (IEDD) vor, einen neuartigen Datensatz, der durch die Skalierung interaktiver Fahrsegmente und die Generierung synthetischer Vogelperspektiven-Videos mit strikter semantischer Ausrichtung die Entwicklung und Bewertung von Vision-Language-Action-Modellen für das autonome Fahren verbessert.
Die Arbeit stellt MVLAD-AD vor, ein effizientes und erklärbares End-to-End-Fahrzeugsystem, das durch diskrete Aktionstokenisierung, geometrieaware Embeddings und eine priorisierte Dekodierungsstrategie die Latenz und Präzision bestehender Diffusions- und Sprachmodelle für das autonome Fahren übertrifft.
Die Arbeit stellt PropFly vor, einen Trainingsansatz für videobasierte Bearbeitungen, der mithilfe von Pre-trained Video Diffusion Models und Guidance-Modulated Flow Matching auf die Notwendigkeit großer, gepaarter Datensätze verzichtet, indem er Trainingspaare direkt während des Trainings aus latenten Darstellungen mit unterschiedlichen CFG-Skalen synthetisiert.
Diese Arbeit stellt eine Methode zur gemeinsamen 3D-Rekonstruktion vor, die durch die direkte Einbeziehung von korrespondierenden Merkmalen über mehrere Sitzungen hinweg und die Nutzung von visuellem Platzwiedererkennung zur effizienten Paarung von Bildern auch bei erheblichen jahrelangen Erscheinungsänderungen, wie sie bei Korallenriffen vorkommen, kohärente Modelle ermöglicht, wo bestehende Ansätze versagen.
Die vorgestellte Arbeit stellt InterFormer vor, einen End-to-End-Transformer, der durch dynamische Abfragegenerierung, einen dualen Kontext-Feature-Selektor und einen bedingten Ko-Oklusions-Loss die Genauigkeit und physikalische Konsistenz bei der Zerlegung von Hand-Objekt-Interaktionen aus Egokamera-Perspektive signifikant verbessert und damit neue State-of-the-Art-Ergebnisse auf EgoHOS und mini-HOI4D erzielt.
Das Paper stellt VAGNet vor, ein Framework, das dynamische Video-Interaktionen nutzt, um die 3D-Affordanz von Objekten präziser zu lokalisieren als statische Ansätze, und führt dazu den ersten entsprechenden Datensatz PVAD ein.
Diese Arbeit stellt das interpretierbare IPOW-Framework vor, das durch ein Konzept-Zerlegungsmodell und eine konzeptgesteuerte Korrektur die Erkennung unbekannter Objekte in der Open-World-Objektdetektion verbessert und gleichzeitig die Verwechslung zwischen bekannten und unbekannten Klassen reduziert.
Das Paper stellt RecoverMark vor, ein robustes Wasserzeichen-Verfahren, das Gesichter als Wasserzeichen in den Hintergrund einbettet, um gleichzeitig Manipulationen zu lokalisieren, Inhalte wiederherzustellen und Urheberrechte zu schützen, ohne auf fragilen Wasserzeichen zu setzen.
Die Arbeit stellt SIFormer vor, einen Transformer-basierten Ansatz, der durch die Kombination von 2D-Instanzinformationen aus Kamerabildern mit 4D-Radardaten in der BEV-Darstellung die Instanzwahrnehmung für die 3D-Objekterkennung verbessert und dabei State-of-the-Art-Ergebnisse auf mehreren Datensätzen erzielt.
Die Arbeit stellt SurgAtt-Tracker vor, ein robustes Framework zur Verfolgung der chirurgischen Aufmerksamkeit durch zeitliche Vorschlags-Neuordnung und bewegungsbewusste Verfeinerung, das auf dem neuen, groß angelegten Benchmark SurgAtt-1.16M trainiert wurde und präzise, interpretierbare Steuerungssignale für die automatische Kameraführung in der minimal-invasiven Chirurgie liefert.
Die Arbeit stellt SD4R vor, ein neuartiges Framework, das durch einen Vordergrundpunkt-Generator und einen Logit-Query-Encoder extrem spärliche 4D-Radarpunktwolken in dichte Repräsentationen umwandelt und so auf dem View-of-Delft-Datensatz einen State-of-the-Art-Ergebnis für die 3D-Objekterkennung erzielt.
Die Studie zeigt, dass vision-sprachliche Modelle (VLMs) in Kombination mit RGB-Videos und pixelgenauer Segmentierung effektiv zur nicht-invasiven Schätzung der horizontalen und vertikalen Handabstände für die ergonomische Risikoanalyse von Hebeaufgaben nach der RNLE eingesetzt werden können.
Die Arbeit stellt AnimeAgent vor, ein bahnbrechendes Multi-Agenten-Framework, das auf Image-to-Video-Modellen basiert und durch die Nachahmung des Disney-Storytelling-Workflows sowie einen hybriden Bewertungsmechanismus die Konsistenz, Ausdrucksstärke und Prompt-Treue bei der automatischen Generierung von Storyboards signifikant verbessert.