8771 Arbeiten
Diese Arbeit identifiziert und behebt die problematischen Trainingseffekte herkömmlicher Layer-Normalisierung in Bildrestaurierungs-Transformern durch die Einführung einer maßgeschneiderten, adaptiven i-LN-Methode, die die Feature-Magnituden stabilisiert und die Leistung verbessert.
Die Arbeit stellt das neue Paradigma „Visual Planning" vor, das durch den Einsatz von Reinforcement Learning (VPRL) mit GRPO nachtrainierte multimodale Modelle befähigt, komplexe räumliche Aufgaben effizienter durch sequenzielle Bildrepräsentationen statt durch rein textbasiertes Denken zu lösen.
Die Arbeit stellt eStonefish-Scenes, einen synthetischen, auf dem Stonefish-Simulator basierenden optischen Fluss-Datensatz für Unterwasser-Ereigniskameras, zusammen mit der Bibliothek eWiz vor und validiert deren erfolgreiche Sim-to-Real-Übertragbarkeit durch den Einsatz eines ausschließlich auf synthetischen Daten trainierten ConvGRU-Netzwerks auf realen Unterwassersequenzen.
Diese Arbeit stellt einen Benchmark vor, der zeigt, dass Text-zu-Bild-Diffusionsmodelle historische Kontexte systematisch durch stereotype Stile, Anachronismen und unzutreffende demografische Darstellungen verfälschen, und bietet damit eine Grundlage für die Entwicklung historisch genauerer Modelle.
Die Arbeit stellt SoftCAM vor, eine Methode, die Standard-CNNs durch den Ersatz der Fully-Connected-Schicht durch eine faltungsbasierte Klassenevidenzschicht inhärent interpretierbar macht und dabei in medizinischen Anwendungen sowohl die Klassifikationsleistung als auch die Zuverlässigkeit der Erklärungen im Vergleich zu nachträglichen Methoden verbessert.
Die Arbeit stellt Mod-Adapter vor, eine feinstimmungsfreie Methode zur personalisierten Bildgenerierung, die mithilfe eines neuartigen Modulationsadapters, Vision-Language-Cross-Attention und einer VLM-gesteuerten Vortrainierungsstrategie sowohl Objekt- als auch abstrakte Konzepte (wie Pose oder Beleuchtung) effektiv in Diffusions-Transformer-Modellen kombiniert.
Die Autoren stellen eine Methode vor, die die Wichtigkeit von Netzwerkkparametern für die Datenattribution direkt aus den Daten lernt, um die funktionale Heterogenität besser zu modellieren und die Genauigkeit der Zuordnung von Trainingsdaten zu Ausgaben in verschiedenen Aufgabenbereichen zu verbessern.
Das Paper stellt GraphGSOcc vor, einen neuartigen Framework für die 3D-semantische Okklusionsvorhersage, der durch die Kombination von semantisch-geometrischen Graph-Transformern und einer dynamisch-statischen Entkopplung die Grenzen bestehender 3D-Gaussian-Splatting-Methoden überwindet und dabei sowohl die Genauigkeit als auch die Speichereffizienz signifikant verbessert.
Die Arbeit stellt VIL vor, ein nachträgliches Trainingsframework für die visuell-sprachliche Navigation in kontinuierlichen Umgebungen, das durch kontrastives Lernen und Wissensdistillation robustere, viewpoint-invariante Merkmale erzeugt und damit den aktuellen Stand der Technik auf Benchmarks wie R2R-CE und RxR-CE signifikant verbessert.
Die vorgestellte Studie kombiniert YOLO zur Generierung von Bounding-Box-Prompts mit dem Segmentierungsmodell SAM, um eine präzise Erkennung und Segmentierung von anatomischen Landmarken sowie komplexen Strukturen in orthopädischen Becken-Röntgenaufnahmen zu ermöglichen.
Die Arbeit stellt ViGText vor, ein neuartiges Deepfake-Erkennungssystem, das durch die Integration von Bild-Patches und detaillierten Texterklärungen eines Vision-Language-Modells in einem Graph Neural Network-basierten Rahmenwerk die Generalisierungsfähigkeit und Robustheit gegenüber fortgeschrittenen Manipulationen signifikant verbessert.
Die Arbeit stellt GeoDrag vor, eine neuartige, geometriegesteuerte Bildbearbeitungsmethode, die durch die Integration von 3D-Geometrie und 2D-Raumwissen in ein einheitliches Verschiebungsfeld präzise, konsistente und konfliktfreie Interaktionen bei komplexen Transformationen wie Rotationen und Perspektivänderungen ermöglicht.
Diese Arbeit stellt eine kompakte End-to-End-Pipeline für die Smartphone-basierte Iriserkennung im sichtbaren Spektrum vor, die durch eine benutzergeführte, ISO-konforme Bildaufnahme und spezialisierte, ressourcenschonende Modelle eine hohe Erkennungsgenauigkeit auf handelsüblichen Geräten demonstriert.
Die Arbeit stellt GradFix vor, eine Methode, die durch gradientenbasiertes Maskieren Task-Vektoren zwischen verschiedenen vortrainierten Modellen erfolgreich überträgt, ohne dass eine zusätzliche Feinabstimmung erforderlich ist.
Diese Studie untersucht die demografische Verzerrung von Deep-Learning- und traditionellen Segmentierungsmethoden für den Nucleus accumbens in MRT-Bildern und zeigt, dass zwar die Trainingsdaten-Rasse die Genauigkeit beeinflusst, die meisten Modelle jedoch race-spezifische Volumeneffekte nicht korrekt abbilden, während geschlechtsspezifische Unterschiede erhalten bleiben.
Die Studie zeigt, dass menschliche soziale Wahrnehmung auf einfachen, expliziten 3D-Pose-Informationen beruht, die nicht nur menschliche Urteile besser vorhersagen als die meisten Deep-Learning-Modelle, sondern auch deren Leistung bei der sozialen Szenenanalyse signifikant verbessern können.
Die Arbeit stellt „Perception-to-Pursuit" (P2P) vor, ein track-zentriertes Framework, das durch temporale Schlussfolgerung über kompakte Bewegungs-Token nicht nur die Flugbahn von Drohnen präzise vorhersagt, sondern auch deren physisch machbare Verfolgung ermöglicht, was zu einer signifikanten Verbesserung der Verfolgbarkeit im Vergleich zu reinen Tracking-Methoden führt.
UrbanGS ist ein skalierbares Rekonstruktionsframework für städtische Umgebungen, das durch eine depth-konsistente D-Normal-Regularisierung, eine räumlich adaptive Gauß-Pruning-Strategie und ein einheitliches Partitionierungsschema geometrische Genauigkeit, Speicher-effizienz und Rendering-Qualität in großflächigen Szenen verbessert.
Das Paper stellt UniReason 1.0 vor, ein einheitliches Framework, das Text-zu-Bild-Generierung und Bildbearbeitung durch die Kombination von weltwissensgestütztem textuellem Reasoning und visuellen Selbstkorrekturen in einem gemeinsamen Architekturansatz vereint, um komplexe Synthesetasks zu meistern.
Die Arbeit stellt Temporal Pair Consistency (TPC) vor, eine leichte Methode zur Varianzreduktion bei Flow-Matching-Modellen, die durch die Kopplung von Geschwindigkeitsvorhersagen an zeitlichen Paaren die Schätzungseffizienz und Probenqualität verbessert, ohne die Modellarchitektur oder den Lösungsalgorithmus zu verändern.