7541 Arbeiten
Das Paper stellt LinVideo vor, ein datenfreies Nachtrainierungsframework, das durch eine automatisierte Schichtauswahl und ein neues Verteilungsanpassungsziel (ADM) quadratische Aufmerksamkeitsmechanismen in Video-Diffusionsmodellen effizient durch lineare Aufmerksamkeitsmechanismen ersetzt und dabei eine Geschwindigkeitssteigerung von 1,25- bis 2-fach bei Erhalt der Generierungsqualität ermöglicht.
Die Autoren stellen das State-Specific Model (SSM) vor, ein neuartiges Framework, das durch kritische Zustandskompression, das Lernen von Aktionsmustern und cross-temporale Interaktionen sowohl die Handlungserkennung als auch die -vorhersage in ungeschnittenen Videos verbessert und dabei die oft vernachlässigte Rolle der Agentenabsicht berücksichtigt.
Die Autoren stellen NEO vor, eine neuartige Familie nativer Vision-Language-Modelle, die auf grundlegenden Prinzipien basiert, um die Lücke zu modularen Architekturen zu schließen und durch eine einheitliche, skalierbare Struktur die gemeinsame Verarbeitung von Bild- und Textdaten effizienter zu gestalten.
Diese Arbeit untersucht systematisch den Einfluss der Prompt-Komplexität auf die Qualität, Vielfalt und Konsistenz von Text-zu-Bild-Modellen, wobei sie zeigt, dass komplexere Prompts zwar die Verteilungslücke zu realen Daten verringern, aber die Vielfalt und Konsistenz beeinträchtigen, während die Methode der Prompt-Erweiterung durch einen vortrainierten Sprachmodell als Likelihood-Schätzer die beste Leistung erzielt.
Die Arbeit stellt MergeMix vor, ein einheitliches Augmentierungsparadigma, das durch eine effiziente Token-Merge-basierte Mixup-Strategie und eine optimierte Präferenzverlustfunktion die Stabilität von Supervised Fine-Tuning mit der Leistungsfähigkeit von Reinforcement Learning für die Ausrichtung multimodaler Großsprachenmodelle vereint.
Die Studie stellt SYNAPSE-Net vor, ein einheitliches Framework mit läsionsbewusster hierarchischer Gating-Strategie, das durch multi-streame Kodierer und cross-modale Aufmerksamkeit eine robuste und generalisierbare Segmentierung heterogener Hirnläsionen aus multimodalen MRT-Daten ermöglicht.
Die Arbeit stellt BEAT vor, ein Framework, das mittels kontrastiven Trigger-Lernens (CTL) erstmals visuelle Backdoor-Angriffe auf VLM-basierte Embodied Agents ermöglicht, indem es Objekte in der Umgebung als Trigger nutzt, um bei deren Vorhandensein spezifische Angriffsrichtlinien auszulösen, während die normale Leistung erhalten bleibt.
Diese Arbeit stellt ein leichtgewichtiges 3D-CNN vor, das mit datenschutzfreundlichen Event-Kameradaten menschliche Aktivitäten mit hoher Genauigkeit erkennt und sich durch seine Kompaktheit für den Einsatz an Edge-Geräten eignet.
Die Autoren stellen den theoretisch fundierten „Rank-enhancing Token Fuser" vor, ein neuartiges Fusionsframework, das durch die gezielte Nutzung des effektiven Rangs sowohl den Feature- als auch den Modality-Collapse in der multimodalen Repräsentation bekämpft und damit die State-of-the-Art-Ergebnisse bei der Vorhersage menschlicher Aktionen signifikant verbessert.
Das Paper stellt StreamDiffusionV2 vor, ein training-freies System, das durch innovative Scheduling- und Parallelisierungstechniken Video-Diffusionsmodelle für interaktives Live-Streaming mit extrem niedriger Latenz und hoher Bildwiederholrate auf mehreren GPUs effizient und skalierbar macht.
PRISM ist ein Framework für die Datensatz-Distillation, das durch die Entkopplung von Logit-Matching und Regularisierung unter Verwendung unterschiedlicher Lehrer-Architekturen die inhärenten Verzerrungen einzelner Modelle überwindet und so auf ImageNet-1K eine signifikant höhere Intra-Klassen-Diversität und bessere Generalisierung als bestehende Methoden erreicht.
Die Arbeit stellt MoDES vor, ein trainingsfreies Framework, das durch einen global modulierten lokalen Gating-Mechanismus und eine dual-modale Schwellenwertoptimierung die Inferenz von Mixture-of-Experts Multimodal Large Language Models beschleunigt, ohne dabei die Genauigkeit zu beeinträchtigen.
Das Paper stellt Mantis vor, ein vielseitiges Vision-Language-Action-Modell, das durch einen neuartigen Ansatz mit entkoppelter visueller Vorausschau (Disentangled Visual Foresight) die Trainingskosten senkt und gleichzeitig die Sprachverständnis- sowie Reasoning-Fähigkeiten verbessert, was zu überlegenen Leistungen bei Robotermanipulation und Instruktionsbefolgung führt.
Die Arbeit stellt GuideFlow vor, ein neuartiges Planungsframework für autonomes Fahren, das durch die direkte Einbindung von Sicherheits- und physikalischen Randbedingungen in den Flow-Matching-Prozess sowie die Parametrisierung von Fahraggressivität Multimodalitätsprobleme löst und gleichzeitig state-of-the-art Ergebnisse auf führenden Benchmarks erzielt.
Die Arbeit stellt LocateAnything3D vor, ein vision-sprachliches Modell, das die 3D-Objekterkennung durch eine neuartige „Chain-of-Sight"-Methode als Next-Token-Vorhersageproblem formuliert und damit neue State-of-the-Art-Ergebnisse auf dem Omni3D-Benchmark sowie starke Zero-Shot-Generalisierungsfähigkeiten erzielt.
Das Paper stellt SelfAI vor, ein selbstgesteuertes Multi-Agenten-Framework, das wissenschaftliche Entdeckungen durch strategische, trajectoriesteuerte Entscheidungsfindung und adaptive Abbruchkriterien automatisiert, um effizientere und diversere Ergebnisse in komplexen Forschungsbereichen zu erzielen.
Das Paper stellt GNVC-VD vor, das erste auf einem Video-Diffusions-Transformer basierende neuronale Videokompressionsframework, das durch eine einheitliche latente Verfeinerung auf Sequenzebene temporale Inkonsistenzen und Flimmern bei extrem niedrigen Bitraten effektiv beseitigt und damit den perceptuellen Qualitätsstandard gegenüber bestehenden Methoden deutlich verbessert.
MedDIFT ist ein trainingsfreies 3D-Korrespondenzframework für medizinische Bilder, das multi-skalige Merkmale eines vortrainierten latenten Diffusionsmodells nutzt, um präzise anatomische Zuordnungen ohne taskspezifisches Training zu ermöglichen.
Die Arbeit stellt CheXmask-U vor, ein Framework zur Schätzung von Unsicherheiten bei der landmarkenbasierten anatomischen Segmentierung von Röntgenbildern mittels hybrider neuronaler Netzwerke, das ein großes Datenset mit Unsicherheitsschätzungen bereitstellt, um die Robustheit und Sicherheit solcher Modelle zu verbessern.
Die Arbeit stellt MRD vor, eine Methode, die physikalisch basiertes differenzierbares Rendering nutzt, um die implizite 3D-Verständnisfähigkeit von Vision-Modellen zu untersuchen, indem sie 3D-Szenenparameter findet, die trotz physikalischer Unterschiede identische Modellaktivierungen erzeugen.