8411 Arbeiten
Die Studie stellt DeReF vor, ein multimodales Framework zur Vorhersage des Überlebens bei Krebs, das durch eine zufällige Merkmalsreorganisation und dynamische MoE-Fusion die Limitierungen bestehender Fusionsmethoden überwindet und auf mehreren Leberkrebs-Datensätzen überlegene Ergebnisse erzielt.
Dieses Paper stellt einen neuen Framework vor, der durch zufälliges Feature-Dropping und kontrastives Lernen robuste, heterogenitätsunabhängige Repräsentationen für die Herzfrequenzvorhersage erlernt und dabei auf dem neu eingeführten PARROTAO-Datensatz sowie dem FitRec-Datensatz signifikant bessere Ergebnisse als bestehende Methoden erzielt.
Dieses Paper stellt EHWGesture vor, ein multimodales Videodataset mit über 1.100 synchronisierten Aufnahmen von fünf klinischen Handgesten, das durch präzise Motion-Capture-Daten und Geschwindigkeitsklassen als umfassender Benchmark für die multimodale klinische Gestenanalyse dient.
Die Arbeit stellt PCPO (Proportionate Credit Policy Optimization) vor, ein Framework, das durch eine proportionale Kreditvergabe über die Zeitstufen hinweg die Trainingsinstabilität und den Modellkollaps bei der Ausrichtung von Text-zu-Bild-Modellen verhindert und damit eine schnellere Konvergenz sowie eine überlegene Bildqualität im Vergleich zu bestehenden Methoden wie DanceGRPO erreicht.
Die Arbeit stellt RobustVLA vor, ein Framework, das Vision-Language-Action-Modelle durch eine Kombination aus adversärem Training für die Ausgabe und konsistenter Aktionsgenerierung für die Eingabe sowie einem Multi-Armed-Bandit-Ansatz zur automatischen Identifizierung kritischer Störungen gegen eine Vielzahl multimodaler Perturbationen robust macht und dabei auf Benchmarks sowie realen Robotern signifikante Verbesserungen gegenüber bestehenden Modellen erzielt.
Die Arbeit stellt DeLTa vor, ein neuartiges Framework, das Tiefenschätzung, 6D-Pose-Schätzung und sprachgesteuerte Planung kombiniert, um transparente Objekte auf Basis einer einzigen Demonstration präzise und generalisierbar über lange Aufgabenfolgen hinweg zu manipulieren.
Die Arbeit stellt Spatial-DISE vor, ein einheitliches Benchmark und einen skalierbaren Datensatz, die auf einer kognitiven Taxonomie basieren, um die Lücke zwischen dem räumlichen Reasoning aktueller Vision-Language-Modelle und menschlicher Kompetenz, insbesondere bei intrinsisch-dynamischen Aufgaben, umfassend zu evaluieren.
Das Papier stellt UniGenBench++ vor, ein umfassendes, mehrsprachiges und fein abgestuftes Benchmark-System zur semantischen Evaluierung von Text-zu-Bild-Modellen, das bestehende Lücken in der Prompt-Vielfalt und der detaillierten Kriterienbewertung schließt.
Das Paper stellt egoEMOTION vor, den ersten Datensatz, der egozentrische visuelle und physiologische Signale mit detaillierten Selbstauskünften über Emotionen und Persönlichkeit verbindet, um neue Benchmarks für die affektbasierte Verhaltensmodellierung in realen Szenarien zu ermöglichen.
Diese Arbeit stellt einen neuartigen Rahmen vor, der durch die Integration von 3D-Akustikdaten aus einem Phasen-Mikrofonarray mit dynamischen RGB-D-Punktwolken eine räumlich-zeitliche multimodale Darstellung chirurgischer Szenen ermöglicht, um chirurgische Handlungen präzise zu lokalisieren und das Verständnis für intelligente Operationssysteme zu vertiefen.
Die Autoren stellen SpecAware vor, ein spektral-inhaltsbewusstes Fundamentmodell, das mithilfe eines Hypernetworks und des neu erstellten Hyper-400K-Datensatzes eine einheitliche Multi-Sensor-Lernumgebung für hyperspektrale Fernerkundung ermöglicht, indem es Sensormetadaten und Bildinhalte dynamisch integriert, um die Generalisierungsfähigkeit über verschiedene Sensoren hinweg zu verbessern.
Die Arbeit stellt VCFlow vor, ein neuartiges, kognitiv inspiriertes Architekturkonzept, das durch die explizite Modellierung der ventralen und dorsalen visuellen Ströme sowie kontrastives Lernen eine effiziente, subjektunabhängige Rekonstruktion visueller Erfahrungen aus fMRI-Daten ermöglicht und dabei eine hohe Skalierbarkeit für klinische Anwendungen bietet.
Die vorgestellte Arbeit stellt die erste pose-agnostische, label-freie und multi-view-konsistente Online-Methodik zur Szenenänderungserkennung vor, die durch einen neuartigen selbstüberwachten Fusionsverlust, schnelle PnP-Pose-Schätzung und eine effiziente 3D-Gaussian-Splatting-Aktualisierung nicht nur Echtzeitfähigkeit über 10 FPS erreicht, sondern auch den besten Offline-Ansätzen überlegen ist.
CuriGS ist ein Curriculum-gesteuertes Framework, das durch die schrittweise Einführung und Bewertung von Pseudo-Ansichten (Student Views) mit zunehmender Perturbation die Herausforderungen der 3D-Gaussian-Splatting-Rekonstruktion aus wenigen Ansichten überwindet und dabei sowohl die Rendering-Qualität als auch die geometrische Konsistenz verbessert.
Die Arbeit stellt PPCL vor, einen flexiblen strukturierten Beschneidungsrahmen für Diffusion-Transformer, der durch eine Kombination aus linearer Abtastung und einem alternierenden Lehrer-Schüler-Distillationsverfahren die Parameteranzahl um 50 % reduziert, ohne dabei die Bildgenerierungsqualität signifikant zu beeinträchtigen.
Die Arbeit stellt eine dateneffiziente Feinabstimmungsmethode für textbasierte Videogenerierung vor, die zeigt, dass das Training mit spärlichen synthetischen Daten nicht nur neue Kamerakontrollen ermöglicht, sondern sogar zu besseren Ergebnissen führt als das Training mit fotorealistischen Daten.
Die Arbeit stellt ViPO vor, eine Erweiterung des Group Relative Policy Optimization (GRPO)-Verfahrens, die durch die Umwandlung von skalaren Belohnungen in räumlich und zeitlich strukturierte Vorteilskarten eine feinere, pixelgenaue Optimierung von Bild- und Videogenerierungsmodellen ermöglicht und so die Ausrichtung an menschlichen Präferenzen verbessert.
Die Arbeit stellt KeyTailor, ein neuartiges Framework mit einer schlüsselbasierten Detailinjektionsstrategie, sowie den hochauflösenden Datensatz ViT-HD vor, um die Genauigkeit von Kleidungsstücken und die Integrität des Hintergrunds bei Video-Virtual-Try-On-Anwendungen zu verbessern, ohne die Architektur der Diffusion-Transformer zu erweitern.
CogFlow ist ein neuartiges, vom menschlichen Denken inspiriertes Drei-Stufen-Framework, das durch eine Wissensinternalisierung und spezielle Belohnungsmechanismen die Lücke zwischen visueller Wahrnehmung und logischem Schlussfolgern schließt, um die Leistung von multimodalen Sprachmodellen bei der Lösung visueller mathematischer Probleme signifikant zu verbessern.
Der Artikel stellt Fast-ThinkAct vor, ein effizientes Framework für Vision-Language-Action-Aufgaben, das durch verbalisierbares latentes Planen und eine präferenzgesteuerte Optimierung die Inferenzlatenz um bis zu 89,3 % reduziert, ohne dabei die Leistungsfähigkeit bei komplexen Manipulations- und Planungsaufgaben einzubüßen.