8753 Arbeiten
TeHOR ist ein Framework zur textgesteuerten 3D-Rekonstruktion von Mensch und Objekt aus einem einzelnen Bild, das durch die Integration semantischer Textbeschreibungen und visueller Erscheinungsinformationen über die Grenzen rein kontaktbasierter Ansätze hinausgeht und so auch nicht-kontaktierende Interaktionen präzise und visuell plausibel erfasst.
Die Arbeit stellt BayesFusion-SDF vor, eine CPU-basierte, probabilistische Framework für die 3D-Rekonstruktion, die Unsicherheiten systematisch modelliert und eine effiziente, GPU-unabhängige Alternative zu neuronalen Methoden bietet.
Die Autoren stellen ein Proof-of-Concept-System vor, das durch die Kombination von YOLOv8-basierter Objekterkennung mit der symbolischen Iconclass-Vokabular-Hierarchie eine automatisierte ikonografische Klassifizierung und inhaltsbasierte Empfehlung für digitalisierte Kunstwerke ermöglicht, um die Katalogisierung und Navigation in großen Kulturerbebeständen zu beschleunigen.
Die Arbeit stellt eine trainingsfreie Methode vor, die durch textgesteuerte Diffusionsmodelle und SDEdit-Verfeinerung überbelichtete Bereiche in HDR-Rekonstruktionen aus einzelnen LDR-Bildern plausibel wiederherstellt und dabei die Konsistenz über mehrere Belichtungen hinweg gewährleistet.
Die Arbeit stellt Pose-VLA vor, ein zweistufiges VLA-Framework, das durch die Entkopplung von universellem 3D-Posen-Pretraining und effizienter Embodiment-Nachjustierung die Generalisierungsfähigkeit und Trainingsleistung von Robotern erheblich verbessert.
Die Arbeit stellt DeepfakeJudge vor, ein Framework, das durch einen bootstrappeden Generator-Evaluator-Prozess skalierbare und vertrauenswürdige visuelle Begründungen für die Deepfake-Erkennung ermöglicht und dabei die Genauigkeit von deutlich größeren Baseline-Modellen übertrifft.
Die Arbeit stellt Flose vor, eine generative Methode zur 6D-Pose-Schätzung, die bedingtes Flow Matching mit lokalen Merkmalen kombiniert, um Symmetrie-Ambiguitäten zu überwinden und auf dem BOP-Benchmark signifikant bessere Ergebnisse als bestehende Ansätze zu erzielen.
Die Arbeit stellt PMM-Synth vor, ein personalisiertes Framework zur Synthese fehlender MRT-Modalitäten, das durch innovative Komponenten wie eine personalisierte Feature-Modulation und einen modalkonsistenten Batch-Scheduler eine robuste Generalisierung über heterogene klinische Datensätze hinweg ermöglicht und dabei die diagnostische Zuverlässigkeit verbessert.
Der Artikel stellt VGGT-MPR vor, ein multimodales Framework für die Ortswiedererkennung im autonomen Fahren, das den Visual Geometry Grounded Transformer (VGGT) als einheitliche geometrische Engine nutzt, um durch tiefenbewusste visuelle Einbettungen und ein training-freies Nachsortierungsverfahren robuste und präzise globale Lokalisierung zu erreichen.
Die Arbeit stellt RAP vor, eine schnelle, renderfreie Methode, die die Wichtigkeit von 3D-Gaussian-Primitiven direkt aus deren Attributen vorhersagt, um redundante Daten zu eliminieren und die Effizienz bei Rekonstruktion, Kompression und Übertragung zu steigern.
Diese Studie präsentiert eine Benchmark-Analyse von zehn tiefen Stereo-Matching-Netzwerken, die auf dem Canterbury-Tree-Branches-Datensatz trainiert wurden, um für Echtzeit-UAV-Waldanwendungen die beste Balance zwischen Genauigkeit und Verarbeitungsgeschwindigkeit auf einer NVIDIA Jetson-Hardware zu identifizieren.
Die Studie stellt ein hocheffizientes, zweistufiges Deep-Learning-Framework vor, das durch cross-modale Synthese von MRT-Daten und Gradienten-Destillation die Früherkennung von Endometriumkarzinomen in ressourcenlimitierten Primärversorgungseinrichtungen revolutioniert und dabei die diagnostische Genauigkeit von Experten übertrifft.
Diese Arbeit stellt eine trainingsfreie Pipeline für die offene Vokabular-3D-Wahrnehmung in industriellen Umgebungen vor, die durch das Zusammenführen semantischer Superpunkte und die Nutzung des domain-adaptierten Modells IndustrialCLIP die Generalisierungsschwächen bestehender, auf Haushaltsdaten trainierter Modelle überwindet.
Das Paper stellt TextShield-R1 vor, ein multimodales Sprachmodell, das durch verstärktes Lernen, ein schrittweises Vortraining und eine OCR-basierte Nachkorrektur entwickelt wurde, um manipulierte Texte präzise zu erkennen und zu lokalisieren, und führt zudem den umfassenden TFR-Benchmark zur Evaluierung ein.
Dieser Artikel stellt M3S-Net vor, ein neuartiges multimodales Feature-Fusionsnetzwerk, das durch die Kombination von Mehrskalen-Daten, partiellen Faltungen zur Erfassung feinkörniger Wolkenmerkmale und einem dynamischen C-Matrix-Austauschmechanismus im Mamba-Modul die ultra-kurzfristige Vorhersage von PV-Leistung gegenüber bestehenden Methoden signifikant verbessert.
DerMAE verbessert die Klassifizierung von Hautläsionen durch die Generierung synthetischer Daten mittels klassenbedingter Diffusionsmodelle, das selbstüberwachte Vor-Training großer ViT-Modelle mit MAE und die anschließende Wissensdistillation auf kompakte Modelle für den effizienten klinischen Einsatz.
Die Studie stellt eine kontrastive Meta-Domain-Adaptationsmethode vor, die durch die Übertragung visueller Repräsentationen aus großen Dermatoskopie-Datensätzen die Robustheit und Generalisierungsfähigkeit von Deep-Learning-Modellen für die Hautläsionsklassifikation unter variierenden klinischen und akquisitionsbedingten Bedingungen verbessert.
Die Arbeit stellt ApET vor, einen auf Approximationsfehler basierenden, aufmerksamkeitsfreien Token-Kompressionsansatz für Vision-Language-Modelle, der die Recheneffizienz durch FlashAttention-Kompatibilität erheblich steigert und dabei die Leistung in Bild- und Videoverständnisaufgaben nahezu vollständig erhält.
Das Paper stellt GOAL vor, ein einheitliches Framework für das kontinuierliche Entdecken verallgemeinerter Kategorien, das durch einen festen geometrisch optimalen Klassifikator das Vergessen alter Klassen reduziert und die Entdeckung neuer Klassen verbessert.
Die Arbeit stellt BigMaQ vor, einen umfassenden Datensatz mit über 750 Szenen interagierender Rhesusmakaken, der erstmals detaillierte 3D-Pose- und Formdarstellungen in die automatische Verhaltenserkennung integriert und damit die Genauigkeit von Aktionsklassifizierungen sowie das Verständnis sozialer Interaktionen bei nicht-menschlichen Primaten signifikant verbessert.