8650 Arbeiten
Der Artikel stellt LongVideo-R1 vor, einen effizienten multimodalen Agenten, der durch aktives, schlussfolgerndes Navigieren in Videos mit geringem Rechenaufwand präzise Antworten auf komplexe Fragen liefert, ohne den gesamten Inhalt exhaustiv zu durchsuchen.
Das Paper stellt LST-SLAM vor, ein neuartiges stereo-thermisches SLAM-System, das durch selbstüberwachtes Feature-Learning, eine semantisch-geometrische Hybridbeschränkung zur Unterdrückung dynamischer Objekte und eine globale Pose-Optimierung eine robuste und präzise Kartierung in kilometergroßen, dynamischen Umgebungen unter schwierigen Licht- und Wetterbedingungen ermöglicht.
Die Arbeit stellt DropAnSH-GS vor, eine neuartige Methode zur Sparse-view Gaussian Splatting, die durch das gleichzeitige Entfernen von Anker-Gauss-Funktionen und deren Nachbarn sowie das gezielte Weglassen höherer sphärischer Harmonischer Koeffizienten Overfitting effektiv reduziert und die Robustheit sowie Komprimierbarkeit der Modelle verbessert.
Das Paper stellt UFO vor, ein neuartiges rekurrentes Verfahren, das die Vorteile von optimierungsbasierten und feed-forward-Methoden vereint, um dynamische Fahrzeugszenen über lange Sequenzen hinweg effizient und präzise zu rekonstruieren.
Die Autoren stellen eine neuartige, rechnerisch effiziente Kernel-Methode namens Wilson Score Kernel Density Classification vor, die zuverlässige Konfidenzschranken für binäre Klassifikatoren bereitstellt und dabei eine Leistung aufweist, die der von Gauß-Prozess-Klassifikatoren entspricht.
Diese Arbeit stellt mit TagLLM ein neues Framework vor, das Multimodale Large Language Models durch strukturierte Kandidatengenerierung und semantische Disambiguierung so optimiert, dass sie menschliche Bild-Annotationen kosteneffizient ersetzen und dabei die Leistung bei nachgelagerten Trainingsaufgaben auf über 90 % des menschlichen Niveaus bringen.
Die Studie stellt MS-RSuper vor, ein neuartiges, einseitiges und unsicherheitsbewusstes Lernverfahren, das multimodale MRT-Berichte mit hierarchischen Befunden und qualitativen Hinweisen nutzt, um die Segmentierung von Hirnläsionen und deren Substrukturen präziser zu gestalten als herkömmliche reportgestützte Methoden.
Die Arbeit stellt Le-DETR vor, einen hocheffizienten Echtzeit-Objektdetektor, der durch einen neuartigen Encoder und den Backbone EfficientNAT eine State-of-the-Art-Genauigkeit auf COCO bei deutlich reduzierten Vorab-Trainingskosten und hoher Inferenzgeschwindigkeit erreicht.
Die Arbeit stellt CHAIN vor, ein interaktives 3D-Testumfeld, das die Fähigkeit von Vision-Language-Modellen bewertet, physische Strukturen zu verstehen und kausale Handlungssequenzen zu planen, wobei die Ergebnisse zeigen, dass selbst fortschrittliche Modelle Schwierigkeiten haben, geometrische und physikalische Einschränkungen in zuverlässige, langfristige Handlungen umzusetzen.
MIP Candy ist ein modularer, auf PyTorch basierendes Open-Source-Framework für die medizinische Bildverarbeitung, das durch eine flexible Konfigurationsarchitektur und integrierte Werkzeuge für den gesamten Workflow von der Dateneingabe bis zur Evaluation eine effiziente und anpassbare Entwicklung ermöglicht.
Die Arbeit stellt CLIPGlasses vor, ein nachrüstbares Framework, das die Fähigkeit von CLIP, verneinte visuelle Beschreibungen zu verstehen, durch eine zweistufige Architektur verbessert, die semantische Entflechtung und kontextsensitive Abstoßung nutzt, um ohne Feinabstimmung die Generalisierungsfähigkeit zu steigern.
OmniOCR ist ein universelles OCR-Framework, das durch eine dynamische Low-Rank-Anpassung (Dynamic LoRA) und Sparsity-Regularisierung die Genauigkeit bei der Erkennung von ethnischen Minderheitenschriften wie Tibetisch, Shui, altem Yi und Dongba im Vergleich zu bestehenden Modellen um 39–66 % verbessert und dabei eine hohe Parameter-effizienz gewährleistet.
Das Paper stellt OCR-Agent vor, einen neuartigen iterativen Selbstkorrektur-Rahmen für Large Vision-Language Models, der durch die Kombination von Capability Reflection und Memory Reflection die Fehlerbehebung verbessert und auf dem OCRBench v2-Benchmark neue State-of-the-Art-Ergebnisse erzielt, ohne zusätzliches Training zu benötigen.
Die Arbeit stellt VAUQ vor, ein trainingsfreies Framework zur visuell bewussten Unsicherheitsquantifizierung, das durch die Messung des Beitrags visueller Evidenz zur Vorhersagegenauigkeit die Selbstbewertung von Large Vision-Language Models verbessert und so Halluzinationen reduziert.
Diese Arbeit stellt ein neuartiges, von der affektiven Neurowissenschaft inspiriertes Trainingsparadigma vor, das durch einen dualen Modellansatz mit intermittierender Aktivierung eines größeren „motivierten" Modells die Leistung von Bildklassifizierungsmodellen verbessert und dabei gleichzeitig die Trainingskosten senkt.
Das Paper stellt ProxyFL vor, einen Proxy-gesteuerten Rahmen für das federierte semi-überwachte Lernen, der sowohl externe als auch interne Datenheterogenität durch die Nutzung lernbarer Klassifikator-Gewichte als Proxy für die Kategorieverteilung effektiv adressiert.
Die vorgestellte Studie entwickelt eine auf Integer Linear Programming basierende Methode zur automatischen Bestimmung optimaler Platzierungen von Zeit-Flug-Sensoren in Büroumgebungen, um die Zonenbelegung präzise zu erfassen und so Energieeinsparungen bei gleichzeitiger Wahrung der Privatsphäre zu ermöglichen.
Die Arbeit stellt UDVideoQA vor, ein umfassendes Benchmark-Datenset mit 28.000 Frage-Antwort-Paaren aus anonymisierten Verkehrsvideos, das entwickelt wurde, um die Fähigkeiten von Video-Sprachmodellen beim räumlich-zeitlichen Mehr-Objekt-Reasoning und der kausalen Inferenz in urbanen Szenarien zu evaluieren und zu verbessern.
Diese Arbeit stellt das Open-Source-Framework SynthRender und den Datensatz IRIS vor, die durch synthetische Datengenerierung mit geleiteter Domänenrandomisierung und bidirektionale Sim-Real-Transfer-Techniken eine kostengünstige und robuste Objektwahrnehmung für industrielle Anwendungen ohne 3D-Modelle ermöglichen.
Das Paper stellt LUMEN vor, ein neuartiges Trainingsframework für longitudinale Bruströntgenbilder, das durch multimodales und multi-task Instruction Fine-Tuning die diagnostische Genauigkeit und prognostischen Fähigkeiten von Vision-Language-Modellen in der Radiologie signifikant verbessert.