7563 Arbeiten
Das Paper stellt RoboCurate vor, ein Framework zur Generierung synthetischer Roboterdaten, das die Qualität annotierter Aktionen durch Simulation und Vergleich mit generierten Videos validiert und durch Bildbearbeitung erweitert, wodurch sich die Erfolgsraten im Vergleich zu reinen Real-Daten in verschiedenen Szenarien erheblich steigern lassen.
Die Autoren stellen GeoCode vor, einen neu synthetisierten Multimodal-Datensatz für geometrische Probleme, der durch die Einbeziehung von Plotting-Code als explizites Ausrichtungsziel die visuelle Symbolik-Verknüpfung verbessert und damit die Leistung von Modellen in komplexen geometrischen Schlussfolgerungen signifikant steigert.
Diese Studie stellt einen Benchmark für zehn computergestützte Pathologie-Foundation-Modelle zur semantischen Segmentierung vor, bei dem sich zeigt, dass das multimodale Modell CONCH die besten Ergebnisse erzielt und die Kombination der Merkmalsvektoren mehrerer Modelle die Segmentierungsleistung über alle Datensätze hinweg signifikant verbessert.
Die Arbeit stellt EditedID vor, ein trainingsfreies und plug-and-play-fähiges Framework, das durch eine neuartige Kombination aus Ausrichtung, Entflechtung und Verflechtung die Identitätserhaltung bei der Bearbeitung von Porträts in multimodalen großen Modellen signifikant verbessert.
Die Arbeit stellt Person2Drive vor, eine umfassende Benchmark-Plattform für personalisierte End-to-End-Autonomes Fahren, die durch ein skalierbares Datensammlungssystem, quantitative Stilmetriken und einen angepassten Lernrahmen die bisherige Vernachlässigung individueller Fahrstile überwindet.
Das Paper stellt TAG vor, ein Vision-Language-Framework für die Gesichtsausdrucksanalyse, das durch die Verankerung des multimodalen Schlussfolgerns in visuell überprüfbare Gesichtsbewegungseinheiten (Action Units) die Halluzinationen herkömmlicher Modelle reduziert und gleichzeitig die Robustheit sowie die visuelle Glaubwürdigkeit der Vorhersagen verbessert.
Diese Studie stellt GeoLink-UV vor, ein hochauflösendes, fundiertes Modell-basiertes Kartierungsprodukt, das die Lage und Grenzen von 342 chinesischen Städten umfassend erfasst, um lückenlose Daten für die urbane Governance und nachhaltige Entwicklung zu liefern.
Diese Arbeit stellt ZS-MIL vor, eine Methode zur Few-Shot-Anpassung von Vision-Language-Modellen in der Histopathologie, die die Text-Encoder-Embeddings zur Initialisierung des Klassifikators nutzt und damit die Leistung und Stabilität gegenüber zufälliger Initialisierung signifikant verbessert.
Die Arbeit schlägt eine Methode vor, die Text-zu-Bild-Diffusionsmodelle ohne Nachtraining durch eine kontrastive Testzeit-Steuerung, die auf getrennten Modellen für positive und negative Daten basiert, präziser an menschliche Präferenzen anpasst.
Die Arbeit stellt LMP vor, einen dual-branch Detektor, der durch die Kombination von textuellen Leitlinien und visuellen Prototypen aus dem Zielbereich das Problem des Cross-Domain Few-Shot Object Detection effektiv löst und dabei sowohl semantische Allgemeingültigkeit als auch domänenspezifische Details vereint.
Das Paper stellt HeRO vor, einen auf Diffusion basierenden Ansatz für die robotische Manipulation, der durch hierarchische semantische Felder Geometrie und Part-Semantik kombiniert, um eine posebewusste Objekthandhabung mit neuartigen State-of-the-Art-Ergebnissen zu ermöglichen.
Diese Studie bestätigt, dass die Lotterietheorie auch auf Bayes'sche neuronale Netze zutrifft, wobei sich herausstellt, dass für das Finden erfolgreicher, dünner Subnetze die Magnitude der Gewichte als primäres und die Standardabweichung als sekundäres Kriterium für das Beschneiden herangezogen werden sollten.
Die Arbeit stellt 4DSTAR vor, ein autoregressives Modell mit dynamischer räumlich-zeitlicher Zustandspropagation und einem 4D VQ-VAE, das konsistente 4D-Objekte durch die Vorhersage diskreter Token generiert und dabei die zeitlich-räumliche Kohärenz verbessert.
Die Arbeit stellt IDperturb vor, eine geometrisch gesteuerte Sampling-Strategie, die durch das gezielte Perturbieren von Identitäts-Embeddings innerhalb eines eingeschränkten Winkelbereichs auf der Einheits-Hypersphäre die Vielfalt synthetischer Gesichter erhöht und so die Leistung von Gesichtserkennungssystemen verbessert.
Die Studie stellt CLAP vor, einen leichten Autoencoder mit separablen Faltungsschichten und Sigmoid-Gating, der für die Klassifizierung von Pflanzenkrankheiten unter realen Feldbedingungen entwickelt wurde und auf mehreren Datensätzen hohe Genauigkeit bei nur 5 Millionen Parametern und extrem geringer Rechenzeit erreicht.
Die Arbeit stellt IFA-Net vor, ein neuartiges Framework, das mithilfe eines eingefrorenen Masked Autoencoders und eines iterativen Zwei-Stufen-Prozesses natürliche Bildmanipulationen modelliert, um AI-generierte Fälschungen präziser zu lokalisieren als bestehende Methoden.
Die vorgestellte Arbeit führt einen datenfreien Rahmen für die gemeinsame Nachtrainings-Quantisierung von Vision-Transformern ein, der mithilfe von mit gelernten Prompts geführter Bildgenerierung durch Stable Diffusion Turbo State-of-the-Art-Ergebnisse bei extrem niedrigen Bitbreiten erzielt.
Die Arbeit stellt TIACam vor, ein Framework für kameras robustes Zero-Watermarking, das durch einen lernbaren Auto-Augmentor, einen textverankerten invarianten Merkmalslerner und einen Zero-Watermarking-Kopf eine hohe Stabilität und Genauigkeit bei der Wiederherstellung von Wasserzeichen unter komplexen optischen Verzerrungen wie Perspektivverzerrung und Moiré-Effekten erreicht.
Die Autoren stellen MM2D3D vor, ein multimodales Modell, das durch die Nutzung von Kamerabildern zur Überwindung der inhärenten Spärlichkeit von LiDAR-Daten die Genauigkeit der 3D-Semantiksegmentierung durch die Erzeugung dichter und präziser 2D-Vorhersagen signifikant verbessert.
Die Arbeit stellt SLD-Font vor, ein strukturell entkoppeltes Diffusionsmodell für die Few-Shot-Generierung chinesischer Schriftarten, das durch getrennte Eingabekanäle für Inhalt und Stil, CLIP-basierte Cross-Attention sowie eine parametereffiziente Feinabstimmung eine überlegene Stilwiedergabe bei gleichzeitiger Bewahrung des Inhaltsgehalts erreicht.