1871 Arbeiten
HiconAgent ist ein GUI-Agent, der durch History Context-aware Policy Optimization (HCPO) mit dynamischer Kontextauswahl und ankergeführter Historienkomprimierung historische Informationen effizient nutzt und dabei trotz geringerer Modellgröße die Leistung führender Modelle übertrifft.
Die Arbeit stellt MAViD vor, ein multimodales Framework mit einer Conductor-Creator-Architektur, das durch die Kombination von autoregressiven und Diffusionsmodellen sowie einem neuartigen Fusionsmodul realistische, langandauernde und multimodal konsistente Audio-Visual-Dialoge versteht und generiert.
Diese Arbeit identifiziert das Phänomen des „Informationshorizonts", bei dem visuelle Token in tieferen Schichten von Vision Large Language Models ihre Relevanz verlieren, und zeigt, dass eine gezielte Kombination aus existierenden Pruning-Methoden und zufälliger Token-Entfernung in diesen tiefen Schichten die Effizienz steigert, ohne die Leistung signifikant zu beeinträchtigen.
Diese Arbeit stellt den WildRoad-Datensatz und das path-zentrische MaGRoad-Framework vor, um die Herausforderungen der Vektorisierung von Straßen in unwegsamem Gelände zu lösen und dabei sowohl die Genauigkeit als auch die Inferenzgeschwindigkeit im Vergleich zu bestehenden Methoden zu verbessern.
Diese Arbeit stellt ein zweistufiges generatives Daten-Augmentierungsverfahren vor, das regelbasierte Maskenverformung mit unpaariger Bild-zu-Bild-Übersetzung mittels GANs kombiniert, um trotz erheblicher Ressourcenbeschränkungen und ohne KI-Unterstützung effektive Trainingsdaten für die Erkennung und Identifizierung von maskierten Gesichtern zu erzeugen.
Die Arbeit stellt SALVE vor, ein einheitliches Framework, das durch den Einsatz von Sparse Autoencodern und Grad-FAM zur Validierung eine mechanistische Interpretierbarkeit ermöglicht und präzise, dauerhafte Eingriffe im Gewichtsraum zur kontrollierten Modifikation von neuronalen Netzen erlaubt.
Die Arbeit stellt ReMeDI-SAM3 vor, eine trainingsfreie Erweiterung von SAM3, die durch relevante Speicherfilterung, eine stückweise Interpolationsschema und ein identitätsbasiertes Re-Identifikationsmodul die Segmentierung chirurgischer Instrumente in Endoskopievideos auch bei Okklusionen und langen Unterbrechungen signifikant verbessert.
Diese Studie zeigt, dass die Diskrepanz zwischen objektiv gemessener und subjektiv wahrgenommener städtischer Vegetation weltweit ähnlich ist und weniger von demografischen oder persönlichen Faktoren abhängt, sondern maßgeblich vom Wohnort der Betrachter geprägt wird, was kulturelle und erfahrungsbasierte Einflüsse auf die Grünwahrnehmung unterstreicht.
Der Artikel stellt Re-Depth Anything vor, ein Testzeit-Framework, das durch selbstüberwachtes Nachbeleuchten und Generierung mit Diffusionsmodellen die Tiefenschätzung von Foundation Models wie Depth Anything V2 und DA3 verbessert, indem es den Domänenabstand schließt und gleichzeitig eine Optimierungskollaps verhindert.
Die Arbeit stellt VOIC vor, ein neuartiges Dual-Decoder-Framework für die monokulare 3D-semantische Szenenkompletion, das durch eine explizite Trennung von sichtbaren und verdeckten Regionen sowie eine integrierte Interaktion zwischen diesen die Genauigkeit bei der geometrischen Vervollständigung und semantischen Segmentierung in autonomen Fahrszenen signifikant verbessert.
Die Studie stellt einen hocheffizienten Deep-Learning-Ansatz namens Efficient Vision Mamba vor, der durch eine hybride selektive Abtastung und Multi-Head-Selective-State-Space-Modelle die Bildauflösung in der MRT mit bisher unerreichter Genauigkeit und einem extrem geringen Rechenaufwand verbessert, was eine breite klinische Anwendung ermöglicht.
Das Paper stellt DrivingGen vor, den ersten umfassenden Benchmark für generative Weltmodelle im autonomen Fahren, der durch eine diverse Datensammlung und neue Metriken die Bewertung von visueller Realitätsnähe, Trajektorienplausibilität, zeitlicher Kohärenz und Steuerbarkeit ermöglicht, um die Entwicklung zuverlässiger und einsatzfähiger Simulationswerkzeuge zu fördern.
Die Autoren stellen ein leichtgewichtiges, zweistufiges Vision-Language-Framework vor, das auf einem Swin Transformer und T5-basierten Decodern aufbaut, um bei der visuellen Fragebeantwortung für Pflanzenkrankheiten sowohl hohe Genauigkeit als auch Erklärbarkeit zu erreichen.
Die Arbeit stellt R^4 vor, ein selbstverbesserndes Agenten-Framework für die medizinische Bildanalyse, das durch Routing, Abruf, Reflexion und Reparatur die Zuverlässigkeit und räumliche Verankerung von Vision-Language-Modellen bei der Generierung von Befunden und Erkennung von Anomalien in Röntgenaufnahmen signifikant verbessert, ohne dabei Gradienten-basiertes Fine-Tuning zu erfordern.
Diese Studie untersucht den LAION-Aesthetics Predictor und zeigt durch Audits und eine digitale Ethnographie auf, dass das Modell durch die Bevorzugung westlicher und männlicher Perspektiven sowie die Unterdrückung von LGBTQ+-Inhalten bestehende Machtstrukturen in der KI-generierten Bildkunst verstärkt, woraus die Notwendigkeit pluralistischerer Bewertungsansätze abgeleitet wird.
Die Arbeit stellt S2DiT vor, einen effizienten Streaming-Sandwich-Diffusions-Transformer, der durch neuartige Aufmerksamkeitsmechanismen, eine budgetbewusste Architektur und einen 2-in-1-Wissensdistillierungsansatz hochwertige Videogenerierung in Echtzeit auf mobilen Geräten wie dem iPhone ermöglicht.
Die Arbeit stellt ReViP vor, ein neuartiges Vision-Language-Action-Framework, das durch die Einführung von fortschrittsbewussten visuellen Hinweisen und eine adaptive Rebalancierung von Propriozeption und visueller Wahrnehmung das Problem falscher Aufgabenabschlüsse bei Robotern effektiv löst und die Erfolgsraten im Vergleich zu bestehenden Baselines signifikant steigert.
Die Arbeit stellt ScenePilot-Bench vor, einen umfassenden Benchmark und Datensatz, der darauf abzielt, die Fähigkeiten von Vision-Language-Modellen in sicherheitskritischen Szenarien des autonomen Fahrens durch eine vielschichtige Evaluierung von Szenenverständnis, räumlicher Wahrnehmung und Bewegungsplanung zu bewerten und zu verbessern.
Die vorgestellte Arbeit stellt eine neuartige, fragegesteuerte Methode namens QSTar vor, die räumliche, zeitliche und frequenzbasierte Merkmale von Audio und Video integriert, um die Leistung bei Audio-Visuellen Fragen-Antwort-Aufgaben (AVQA) signifikant zu verbessern.
Das Paper stellt MeanCache vor, ein training-freies Caching-Framework für Flow Matching, das durch die Nutzung von durchschnittlichen Geschwindigkeiten anstelle von momentanen Geschwindigkeiten sowie einer Trajektorien-Stabilitäts-Strategie die Inferenzgeschwindigkeit bei gleichzeitiger Aufrechterhaltung der Generierungsqualität signifikant steigert.