8713 Arbeiten
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.
Der Artikel stellt FOCA vor, ein multimodales Framework auf Basis von Large Language Models, das durch die Fusion von räumlichen und frequenzbasierten Merkmalen sowie die Einführung des Datensatzes FSE-Set eine präzise Bildfälschungserkennung, -lokalisierung und interpretierbare Erklärung übertrifft.
Diese Studie untersucht die Anwendung überwachter und unüberwachter Deep-Learning-Modelle zur Charakterisierung morphologischer Reststrukturen in Galaxien, wobei festgestellt wird, dass das überwachte CNN zwar starke und schwache Substrukturen unterscheiden kann, das unüberwachte CvAE jedoch keine klare Diskriminierungskraft aufweist.
Der Artikel stellt PhysConvex vor, ein physikbasiertes, dynamisches 3D-Strahlungsfeld, das mithilfe von physikalisch fundierten konvexen Primiven und reduzierten Simulationsmodellen sowohl fotorealistische Rekonstruktion als auch physikalisch konsistente Deformation und Simulation komplexer dynamischer Szenen ermöglicht.
Diese Arbeit identifiziert die Nicht-Stationarität der Encoder-Aktualisierungen als Ursache für den Codebook-Collapse in der Vektorquantisierung und schlägt mit NSVQ und TransVQ zwei neue Methoden vor, die auf dem CelebA-HQ-Dataset eine nahezu vollständige Codebuch-Nutzung und überlegene Rekonstruktionsqualität erreichen.
Die Arbeit stellt PrivacyBench vor, ein Benchmark-Framework, das systematisch aufzeigt, dass die willkürliche Kombination von Datenschutztechniken in hybriden visuellen Systemen zu schwerwiegenden Leistungseinbußen und erhöhten Kosten führen kann, und bietet damit eine Grundlage für eine fundierte, ressourceneffiziente Systemgestaltung.
Die vorliegende Arbeit stellt SCHEMA vor, eine auf umfangreichen API-Tests basierende, dreistufige Prompt-Engineering-Methodik für Google Gemini 3 Pro Image, die durch modulare Komponenten und klare Entscheidungsregeln eine signifikant höhere Compliance und Konsistenz bei der generierten Bildinhalte in sechs professionellen Domänen gewährleistet.
Das Paper stellt PCA-VAE vor, einen vollständig differenzierbaren Autoencoder, der durch den Ersatz von Vektorquantisierung durch eine Online-PCA-Bottleneck-Schicht Codebook-Kollaps vermeidet und dabei eine überlegene Rekonstruktionsqualität bei deutlich geringerem Bitverbrauch sowie natürlicher interpretierbaren latenten Dimensionen erreicht.
Die vorgestellte Arbeit führt die „Marginalized Bundle Adjustment" (MBA) ein, eine Methode, die die hohe Varianz von monokular geschätzten Tiefenkarten durch deren Dichte ausgleicht und so State-of-the-Art-Ergebnisse in Structure-from-Motion- und Kamerarelokalisierungsaufgaben ermöglicht.
Der Artikel stellt DeepInterestGR vor, ein neuartiges generatives Empfehlungssystem, das durch den Einsatz multi-modaler LLMs tiefgreifende Benutzerinteressen extrahiert, diese mittels Belohnungs-Labels und RQ-VAE in semantische IDs kodiert und durch eine zweistufige Trainingspipeline mit Reinforcement Learning die Personalisierung und Interpretierbarkeit von Empfehlungen signifikant verbessert.