1872 Arbeiten
Die Arbeit stellt Graph-of-Mark (GoM) vor, eine neuartige pixelbasierte visuelle Prompting-Technik, die durch das Überlagern von Szenengraphen auf Eingabebilder die räumliche Schlussfolgerung multimodaler Sprachmodelle signifikant verbessert und dabei die Genauigkeit bei Null-Shot-Aufgaben um bis zu 11 Prozentpunkte steigert.
Diese Arbeit stellt ein systemweites Inferenz-Optimierungskonzept für DiT-basierte Videogenerierungsmodelle vor, das durch die Einführung einer sequenzparallelen Variante der kausalen Rotary-Positional-Embeddings (Causal-RoPE SP) sowie durch Operator-Fusion und Vorberechnung den Speicherbedarf und die Latenz drastisch reduziert und damit Echtzeit-Anwendungen ermöglicht.
Die Studie zeigt, dass Chain-of-Thought-Prompting bei medizinischen visuellen Fragestellungen häufig schlechter abschneidet als direkte Antworten, da ein medizinischer Wahrnehmungsengpass die visuelle Verankerung schwächt, was durch trainingsfreie Eingriffe wie „Perception Anchoring" und „Description Grounding" effektiv behoben werden kann.
Die Arbeit stellt SJD-PV vor, ein trainingsfreies Beschleunigungsframework für autoregressive Bildgenerierung, das durch die phrasenweise Verifikation häufig zusammen auftretender visueller Tokens die Inferenzgeschwindigkeit um bis zu 30 % steigert, ohne die Bildqualität zu beeinträchtigen.
Die Arbeit stellt CalibFusion vor, einen differenzierbaren Transformer-basierten Ansatz zur End-to-End-Verfeinerung der Radarkamera-Extrinsik, der speziell für die robuste Fusion in wasserbasierten Umgebungen mit texturarmen Flächen und Clutter entwickelt wurde und die Genauigkeit der 2D-Objektdetektion verbessert.
Die Studie zeigt, dass sich die bei Bildmodellen beobachteten Vorteile der semantischen Rauschinitialisierung nicht signifikant auf Text-zu-Video-Generierung übertragen lassen, da die zeitliche Kopplung zu einer Instabilität führt, die den Gesamtscore im Vergleich zur Standard-Gaußschen Rauschinitialisierung nicht verbessert.
Die Studie stellt eine unüberwachte CNN-Autoencoder-Methode mit einem neuartigen, gewichteten spektralen Winkelabstands-Verlust vor, um hyperspektrale ATR-μFTIR-Bilder von historischen Ölgemälde-Querschnitten, wie denen des Genter Altars, automatisch und objektiv in ihre spektralen Endmember und deren räumliche Verteilung zu zerlegen.
Das Paper stellt AutoFigure-Edit vor, ein End-to-End-System, das aus langen wissenschaftlichen Texten vollständig bearbeitbare und stilistisch anpassbare wissenschaftliche Illustrationen in SVG-Format generiert.
Diese Arbeit stellt ein hybrides Few-Shot-Learning-Modell vor, das Siamesische und Prototypische Netzwerke mit Explainable AI (Grad-CAM) kombiniert, um Pflanzenkrankheiten bei Mais, Reis und Weizen auch bei begrenzten annotierten Daten mit hoher Genauigkeit und Transparenz zu identifizieren.
Die Arbeit stellt PRPO und MCDR-Bench vor, ein Framework, das durch parallele relative Policy-Optimierung und eine objektive Fehler-basierte Evaluierung die tiefgehenden Analysefähigkeiten von Large Vision-Language Models für Diagramme systematisch verbessert.
Die Arbeit stellt MultiGen vor, ein Diffusions-Game-Engine-System, das durch eine persistente externe Speicherkomponente und eine modulare Architektur sowohl eine direkte, bearbeitbare Kontrolle über die Spielumgebung als auch konsistente Echtzeit-Multiplayer-Interaktionen ermöglicht.
Die Arbeit stellt VB vor, ein neues Benchmark-System, das die Fähigkeit von Vision-Language-Modellen testet, Sichtbarkeit in Bildern zu beurteilen und bei Unsicherheit eine Antwort zu verweigern, wobei kontrollierte minimale Änderungen genutzt werden, um die Robustheit und Begründungsfähigkeit der Modelle zu evaluieren.
Das Paper stellt RADAR vor, ein multimodales Benchmark-Set aus annotierten 3D-CT-Bildern und radiologischen Berichten, das darauf abzielt, die Fähigkeit von KI-Modellen zu bewerten, klinische Diskrepanzen und Bearbeitungen in radiologischen Berichten auf der Grundlage bildgebender Befunde zu analysieren.
Das Paper stellt ECHO vor, ein Multi-Agenten-Framework, das durch die iterative Verfeinerung einer gemeinsamen Multimedia-Ereignis-Hypergraph-Struktur und eine Link-then-Bind-Strategie die Fehlerfortpflanzung bei der multimodalen Ereignisextraktion reduziert und damit den aktuellen Stand der Technik deutlich übertrifft.
Diese Studie stellt einen innovativen 3D-Bildgebungsansatz vor, der Structure-from-Motion-Techniken und mobile Endgeräte nutzt, um aus Videos von Aggregat-Deponien eine dreidimensionale Rekonstruktion zu erstellen und einzelne Körner zu segmentieren, um so deren Größe und Form für die Vor-Ort-Qualitätssicherung in der Straßenbauindustrie zu analysieren.
Die Arbeit stellt TimeSpot vor, einen Benchmark mit 1.455 Bildern aus 80 Ländern, der zeigt, dass aktuelle Vision-Language-Modelle bei der rein visuellen Inferenz von geografischen und zeitlichen Merkmalen sowie bei der räumlich-zeitlichen Schlussfolgerung in realen Szenarien erhebliche Defizite aufweisen.
Das Paper stellt "Narrative Weaver" vor, ein neuartiges Framework, das durch die Integration eines multimodalen Sprachmodells für die narrative Planung und eines dynamischen Speichers für die visuelle Konsistenz erstmals eine kontrollierte, langstreckige und multimodal gesteuerte Generierung von visuellen Inhalten ermöglicht, wobei gleichzeitig ein neues Benchmark-Dataset für E-Commerce-Werbung veröffentlicht wird.
Diese Arbeit stellt ein neuartiges, unüberwachtes Lernverfahren vor, das durch den Einsatz von Faltungsfiltern und neuronalen Netzen mit optimierter Frühstopp-Strategie auch bei stark verrauschten Daten eine hochauflösende Rekonstruktion von Strahlhalo-Strukturen in Teilchenbeschleunigern ermöglicht, ohne dass Trainingsdatensätze erforderlich sind.
Diese Studie untersucht die Anpassungsfähigkeit des Geospatial-Foundation-Modells TerraMind an hyperspektrale Downstream-Aufgaben ohne spezifisches Vor-Training, zeigt zwar moderate Erfolge durch Bandselektion, unterstreicht jedoch die überlegene Leistung nativer hyperspektraler Modelle und begründet damit die Notwendigkeit zukünftiger Architekturen mit spektraler Tokenisierung.
Diese Arbeit stellt ein robustes One-Shot-Erkennungsframework für Badmintonbälle vor, das auf einem neuartigen, halbautomatisch annotierten Datensatz basiert und speziell für die dynamischen, egozentrischen Sichtwinkel mobiler Roboter optimiert wurde, um als Grundlage für nachgelagerte Aufgaben wie Verfolgung und Trajektorienschätzung zu dienen.