7591 Arbeiten
Das Paper stellt PoseCraft vor, ein Diffusionsframework, das diskretisierte 3D-Körperlandmarken und Kameraparameter als Conditioning-Tokens nutzt, um fotorealistische menschliche Avatare mit präziser Pose- und Kamerasteuerung zu synthetisieren und dabei die Grenzen bestehender rigging-basierter oder volumetrischer Methoden zu überwinden.
Die Studie „MentalBlackboard" stellt einen Benchmark für die räumliche Visualisierung von Vision-Language-Modellen mittels Papierfaltungs- und Lochbohrungsaufgaben vor und zeigt, dass selbst fortschrittliche Modelle bei der Anwendung symmetrischer Transformationen und der räumlichen Planung erhebliche Schwierigkeiten haben.
Die Arbeit stellt die neue Aufgabe der „Referring Layer Decomposition" (RLD) vor, die durch den großen Datensatz RefLade und das Basismodell RefLayer ermöglicht, aus einzelnen RGB-Bildern unter Verwendung flexibler Benutzeranweisungen präzise, objektbewusste RGBA-Ebenen zu generieren.
Die Studie zeigt, dass Zeitreihen, Vision und Sprache in kontrastiven Repräsentationsräumen zwar durch nachträgliches Alignment verbunden werden können, wobei Zeitreihen stärker mit visuellen als mit sprachlichen Daten korrelieren und Bilder als effektive Vermittler fungieren, während die Informationsdichte der Eingaben nur bis zu einem bestimmten Schwellenwert die Ausrichtung verbessert.
Die Arbeit stellt einen neuartigen Testzeit-Berechnungsrahmen für die Optimierung von VLM-Roboterstrategien vor, der durch eine entkoppelte, wertgeleitete Mehrpfad-Reflexion und einen skalierbaren Kritiker die Erfolgsrate um 24,6 % steigert und die Inferenzzeit gleichzeitig um 56,5 % reduziert.
Diese Arbeit stellt eine neue „Stair Pooling"-Strategie vor, die durch schrittweise Down-Sampling-Operationen den Informationsverlust in U-Net-Architekturen reduziert und damit die Präzision der biomedizinischen Bildsegmentierung signifikant verbessert.
Die Arbeit stellt PA-Attack vor, eine effiziente Graubox-Angriffsmethode für Large Vision-Language Models, die durch prototypenbasierte Führung und einen zweistufigen Aufmerksamkeitsmechanismus eine hohe Generalisierungsfähigkeit und Wirksamkeit über verschiedene Aufgaben hinweg erreicht.
Die Arbeit stellt CountEx vor, ein diskriminatives visuelles Zählframework, das durch die Kombination von Inklusions- und Exklusionshinweisen sowie einen neuartigen Modul zur Abfrageverfeinerung die Unterscheidung ähnlicher Objekte in überfüllten Szenen verbessert, und führt zudem den CoCount-Benchmark zur systematischen Evaluierung ein.
Der Artikel stellt FinSight-Net vor, einen effizienten, physikbewussten Detektor für die Unterwasser-Fischerkennung, der durch einen entkoppelten Dual-Stream-Prozess und frequenzdomänische Kompensation die durch Wasserabsorption und Trübung verursachten Bildverzerrungen ausgleicht und dabei sowohl die Genauigkeit als auch die Rechengeschwindigkeit im Vergleich zu bestehenden Modellen wie YOLOv11s signifikant verbessert.
Die Arbeit stellt CRAFT vor, eine leichte Methode zur Entkopplung von Vision und Sprache in großen Vision-Language-Modellen durch die Verwendung eines diskreten Codebuchs zur Verankerung visueller Darstellungen, was eine effiziente Domänenanpassung ohne Eingriffe in die Spracharchitektur ermöglicht und gleichzeitig die Leistung in spezifischen visuellen Aufgaben signifikant steigert.
Die Arbeit stellt HD-TTA vor, einen hypothesengesteuerten Test-Time-Adaptation-Ansatz, der durch die autonome Auswahl zwischen komprimierenden und inflationierenden geometrischen Hypothesen sowie eine Gatekeeper-Vorauswahl die Sicherheit der Hirntumor-Segmentierung in kritischen klinischen Szenarien verbessert, indem sie das Risiko von Übersegmentierung minimiert und gleichzeitig die Präzision erhöht.
Die vorgestellte Arbeit stellt LapFlow vor, ein neuartiges Framework für die generative Bildmodellierung, das durch die parallele Verarbeitung von Laplace-Pyramiden-Residuen mittels einer Mixture-of-Transformers-Architektur die Bildqualität verbessert und gleichzeitig die Rechenkosten sowie die Inferenzzeit im Vergleich zu herkömmlichen Flow-Matching-Methoden reduziert.
Die Autoren stellen ein physikbasiertes Deep-Learning-Framework vor, das durch die Kombination von Polarisationsdaten und strukturiertem Licht in einem einzigen Aufnahmevorgang präzise und robuste 3D-Rekonstruktionen komplexer, spiegelnder Oberflächen ermöglicht.
Diese Arbeit stellt eine neue, vergessensresistente und läsionsbewusste Methode (FRLA) für die quellfreie Domänenanpassung bei der Analyse von Fundusbildern vor, die ein Vision-Language-Modell nutzt, um das Vergessen robuster Vorhersagen zu verhindern und feingranulare Läsionsinformationen für eine präzisere Diagnose zu integrieren.
Diese Arbeit stellt MICON-Bench vor, einen umfassenden Benchmark zur Bewertung der Mehrbild-Generierung in multimodalen Modellen, und kombiniert ihn mit einem MLLM-basierten Evaluierungsframework sowie dem training-freien Mechanismus Dynamic Attention Rebalancing (DAR), um die Kohärenz und Qualität bei der kontextbasierten Bildgenerierung zu verbessern.
Die Studie stellt ein verbessertes, textgesteuertes YOLO-World-Modell vor, das durch den Austausch der C2f-Schicht gegen eine C3k2-Schicht und eine Parallelisierungs-Optimierung die Erkennung kleiner Objekte auf Drohnenbildern präziser macht und dabei gleichzeitig die Parameterzahl sowie die Rechenlast reduziert.
Die Arbeit stellt ControlMLLM++ vor, einen Testzeit-Anpassungsrahmen, der lernbare visuelle Prompts in eingefrorene multimodale Sprachmodelle injiziert, um durch die Optimierung latenter visueller Token während der Inferenz eine feinkörnige, regionsbasierte visuelle Schlussfolgerung ohne Nachtraining zu ermöglichen.
Die Arbeit stellt Relational Feature Caching (RFC) vor, ein neuartiges Framework, das durch die Nutzung der Korrelation zwischen Eingabe- und Ausgabe-Features die Vorhersagegenauigkeit bei Diffusion-Transformern verbessert und so die Rechenzeit im Vergleich zu rein zeitbasierten Caching-Ansätzen signifikant reduziert.
Die vorgestellte Arbeit führt ein variationsbasiertes Framework für Diffusionsmodelle mit anisotropen Rauschplänen ein, das durch die gemeinsame Optimierung eines Score-Netzwerks und einer matrixwertigen Pfadparameterisierung sowie einen effizienten Heun-basierten ODE-Löser eine konsistente Verbesserung gegenüber dem Baseline-EDM-Modell auf verschiedenen Datensätzen erzielt.
Die Arbeit stellt OSInsert vor, eine zweistufige Strategie, die durch die Kombination einer hochauthentischen Methode zur Anpassung der Vordergrundpose mit einer hochfidelen Methode zur Detailerhaltung erstmals gleichzeitig realistische und detailgetreue Bildkompositionen ermöglicht.