8717 Arbeiten
Die Arbeit stellt DACo vor, ein Dual-Agenten-Framework, das durch die Entkopplung von globaler strategischer Planung und lokaler Ausführung die kognitive Überlastung einzelner Agenten vermeidet und so die Robustheit sowie Leistungsfähigkeit bei der vision- und sprachgestützten Navigation in komplexen Umgebungen signifikant verbessert.
Diese Arbeit stellt einen tiefenbasierten YOLO-SAM2-Ansatz vor, der durch geometrische Analysen und eine schlafenausgerichtete Tiefenkorrektur die Erkennung von unzureichendem Schotter in Eisenbahnstrecken von einer niedrigen Trefferquote von 0,49 auf bis zu 0,80 verbessert.
Die Arbeit stellt CASO-PAD vor, einen leichten, RGB-basierten Ein-Bild-Modell für die Gesichtspräsentationsangriffs-Erkennung, der durch den Einsatz von inhaltsadaptiven räumlichen Operatoren (Involution) in einem MobileNetV3-Architektur eine hohe Robustheit gegen Spoofing-Angriffe bei minimalem Rechenaufwand erreicht.
Die Arbeit stellt Frame2Freq vor, eine Familie frequenzbewusster Adapter, die durch spektrale Kodierung und das Lernen frequenzspezifischer Embeddings die Feinabstimmung von Bild-zu-Video-Transfer-Modellen für die präzise Erkennung feinabgestimmter Videoaktionen verbessern und dabei bestehende Methoden übertreffen.
Diese Arbeit stellt mit Life-Bench ein umfassendes synthetisches Multimodal-Benchmark und mit LifeGraph ein wissensbasiertes Framework vor, um die Lücke bei der personalisierten multimodalen Reasoning-Fähigkeit moderner Vision-Language-Modelle zu adressieren und neue Forschungsrichtungen zu eröffnen.
Die Arbeit stellt MoBind vor, ein hierarchisches kontrastives Lernframework, das IMU-Signale und Video-Pose-Sequenzen durch die Ausblendung visueller Hintergründe, die semantische Zuordnung von IMU-Sensoren zu Körperteilen und eine feingranulare zeitliche Ausrichtung auf Sub-Sekunden-Ebene präzise verbindet, um Aufgaben wie Cross-Modal-Retrieval, Synchronisation und Aktionserkennung zu verbessern.
Die Studie stellt GUIDE-US vor, eine Methode zur unpaarigen Wissensdistillation von histopathologischen in Mikroultraschall-Encoder, die die Sensitivität für die nicht-invasive Erkennung klinisch signifikanter Prostatakrebsstadien verbessert, ohne dass Patientendaten gepaart oder Biopsien zur Inferenz benötigt werden.
Die Arbeit stellt TokenTrace vor, ein proaktives Wasserzeichen-Framework, das durch die gleichzeitige Störung von Text-Prompt-Embeddings und latentem Rauschen sowie eine abfragebasierte Abfrage-Mechanik eine robuste und unabhängige Zuordnung mehrerer Konzepte (wie Objekte und Kunststile) in generierten Bildern ermöglicht.
Die Studie stellt FishProtoNet vor, ein interpretierbares, nicht-invasives Framework auf Basis von Foundation Models zur zuverlässigen Geschlechtsbestimmung der gefährdeten Delta-Männchen (Hypomesus transpacificus) im Aquakulturkontext, das insbesondere für die Laich- und Nachlaichphasen hohe Genauigkeitswerte erzielt.
Die vorgestellte Arbeit schlägt einen Kalibrierungsrahmen für Prompt-Tuning von Vision-Language-Modellen wie CLIP vor, der durch zwei neue Regularisierungsterme die Vorhersagesicherheit verbessert, ohne die für die Generalisierung entscheidende Geometrie des eingebetteten Raums zu verändern.
Die Studie zeigt, dass iterative Feedback-Schleifen in generativen Modellen durch eine Markov-Kette beschrieben werden können, die unter den Bedingungen der Ergodizität und der gerichteten Kontraktion zu einer „neuronalen Resonanz" in einem niedrigdimensionalen invarianten Raum führt, was den Mechanismus des Modellkollapses erklärt und eine Taxonomie sowie Diagnosewerkzeuge für dessen Milderung bereitstellt.
Das Paper stellt OpenVO vor, ein neuartiges Framework für die visuelle Odometrie in offenen Umgebungen, das durch die explizite Kodierung zeitlicher Dynamiken und die Nutzung von 3D-Geometriepriors aus Fundamentalmodellen eine robuste Schätzung der Eigenbewegung aus monokularen Dashcam-Aufnahmen mit variierenden Beobachtungsraten und unkalibrierten Kameras ermöglicht und dabei den Stand der Technik deutlich übertrifft.
Diese Arbeit stellt einen neuen Paradigmenwechsel für richtungsorientierte 3D-Large-Multimodal-Modelle vor, der durch die automatische Wiederherstellung von Ego-Posen und deren Ausrichtung auf Punktwolken (PoseRecover und PoseAlign) die Leistung bei räumlichen Fragestellungen erheblich verbessert, ohne komplexe Änderungen an den Modellarchitekturen vorzunehmen.
Das Paper stellt L3DR vor, ein 3D-bewusstes Framework zur LiDAR-Diffusion und -Korrektur, das durch die Vorhersage von 3D-Verschiebungen und einen speziellen Welsch-Loss Artefakte in der Range-View-Darstellung eliminiert und damit einen neuen State-of-the-Art in Bezug auf geometrische Realitätsnähe auf mehreren Benchmarks erreicht.
Die vorgestellte Arbeit stellt ein dreistufiges, restaurationsgestütztes Framework (RG-KCR) vor, das die Genauigkeit der Kuzushiji-Zeichenerkennung unter dem Einfluss von Siegelüberlagerungen durch eine Kombination aus Detektion, Bildrestaurierung und Klassifizierung signifikant verbessert.
Ani3DHuman ist ein Framework, das kinematikbasierte Animation mit Video-Diffusionspriors und einer neuartigen selbstgeführten stochastischen Stichprobenmethode kombiniert, um photorealistische 3D-Human-Animationen mit hoher Identitätstreue und detaillierten nicht-rigiden Dynamiken zu erzeugen.
Das Paper stellt CREM vor, ein einheitliches Framework, das durch einen kompressionsbasierten Ansatz mit lernbaren Chorus-Tokens und einer kombinierten Trainingsstrategie sowohl die Leistung multimodaler Modelle bei Retrieval-Aufgaben verbessert als auch deren generative Fähigkeiten erhält.
Die vorgestellte Arbeit führt Mapping Networks ein, die durch die Abbildung eines kompakten latenten Vektors auf den hochdimensionalen Gewichtsraum die Anzahl der trainierbaren Parameter um den Faktor 500 reduzieren und dabei gleichzeitig Überanpassung mindern sowie eine vergleichbare oder bessere Leistung bei komplexen Aufgaben wie Bildklassifizierung und Deepfake-Erkennung erzielen.
Das Paper stellt CaReFlow vor, einen Ansatz zur multimodalen Fusion, der durch die Erweiterung von rektifizierten Flüssen mit zyklischen und adaptiven Mechanismen die Modality Gap effektiv überwindet und so robuste Verteilungsmappings sowie verbesserte Ergebnisse in der affektiven Computing ermöglicht.
Diese Studie stellt einen Echtzeit-Transformer-basierten Ansatz (RT-DETR) vor, der Artefakte in KOH-Mikroskopiebildern zuverlässig erkennt und Dermatophytosen mit 100 %iger Sensitivität und 98,8 %iger Genauigkeit diagnostiziert, wodurch eine automatisierte Screening-Lösung für die klinische Mykologie geschaffen wird.