8784 Arbeiten
Diese Studie untersucht die graphische Wahrnehmungsfähigkeit von Vision Transformern im Vergleich zu CNNs und Menschen und stellt fest, dass ViTs trotz ihrer allgemeinen Stärken in der Bildverarbeitung nur eine begrenzte menschähnliche Wahrnehmung im Bereich der Visualisierung aufweisen.
Die Arbeit stellt den Distortion-aware Motion Calibrator (DMC) vor, ein selbstüberwachtes Nachbearbeitungsmodul, das physikalisch unplausible Bewegungen aus Text-zu-Bewegungs-Modellen korrigiert und dabei sowohl die physikalische Plausibilität als auch die semantische Konsistenz mit der ursprünglichen Textbeschreibung verbessert.
Diese Arbeit untersucht erstmals die Anfälligkeit diskreter Bild-Tokenizer für adversarielle Angriffe und schlägt eine effektive, unüberwachte adversarielle Feinabstimmung vor, um deren Robustheit über verschiedene multimodale Aufgaben hinweg zu verbessern.
Die Arbeit stellt RoEL vor, eine robuste Methode zur 3D-Linienrekonstruktion mit Event-Kameras, die durch einen cleveren Algorithmus zur Verfolgung von Linien über verschiedene Zeitscheiben hinweg und geometrische Kostenfunktionen präzise 3D-Karten und Kameraposen auch unter schwierigen Bedingungen und in multimodalen Szenarien ermöglicht.
Das Paper stellt DEIG vor, ein neuartiges Framework, das durch einen Instanz-Detail-Extraktor und ein Detail-Fusions-Modul sowie eine speziell erstellte Datensatz-Benchmark die präzise, feingranulare und attributgetreue Generierung mehrerer Objekte in komplexen Szenen ermöglicht und dabei bestehende Methoden in Bezug auf semantische Genauigkeit und räumliche Konsistenz übertrifft.
Die Arbeit stellt LOTS vor, ein Framework zur Generierung von Modebildern, das globale Skizzenführung mit lokalisierten Text-Skizzen-Paaren kombiniert, und stellt zudem das erste entsprechende Datenset „Sketchy" mit professionellen und „in-the-wild"-Skizzen vor.
Die Arbeit stellt Diff2DGS vor, ein zweistufiges Framework, das durch diffusionsbasiertes Inpainting verdeckter Gewebestrukturen und eine anpassbare 2D-Gaussian-Splatting-Methode mit lernbarem Deformationsmodell eine zuverlässige, geometrisch präzise und in Echtzeit performante 3D-Rekonstruktion von okkludierten chirurgischen Szenen ermöglicht.
Der Artikel stellt Luminance-GS++ vor, ein auf 3D-Gaussian-Splatting basierendes Framework, das durch eine globale, ansichtsadaptive Helligkeitsanpassung und lokale Nachverfeinerung robuste 3D-Neue-Ansicht-Synthese unter komplexen Lichtverhältnissen ermöglicht, ohne dabei die explizite Darstellung oder die Echtzeit-Rendering-Effizienz zu beeinträchtigen.
Diese Arbeit stellt die G-LoG-Bifiltration vor, eine auf dem Laplace-Gauß-Operator basierende Methode zur topologischen Merkmalsextraktion aus medizinischen Bildern, die in Experimenten auf dem MedMNIST-Datensatz nicht nur einfache Einparameter-Filtrationen übertrifft, sondern es einem einfachen MLP ermöglicht, mit komplexen Deep-Learning-Modellen gleichzuziehen.
Die Studie demonstriert, dass eine hybride quantenklassische Methode zur Merkmalsextraktion die Klassifizierungsgenauigkeit von Satellitenbildern im Vergleich zu rein klassischen Ansätzen um 2–3 % auf 87 % steigern kann, was die praktische Anwendbarkeit aktueller Quantenprozessoren in der Fernerkundung unterstreicht.
Die vorgestellte Arbeit führt ein selbstbewusstes Objekterkennungsframework ein, das durch kontrastives Lernen eine degradationsbewusste Repräsentationsgeometrie schafft, um Eingabebilder auf Abweichungen vom nominalen Betriebsbereich zu überwachen und so eine zuverlässige Fehlererkennung ohne externe Labels zu ermöglichen.
Die Arbeit stellt ein menschenzentriertes Video-Weltmodell vor, das durch präzise Steuerung von Kopf- und Handpositionen interaktive, egozentrische virtuelle Umgebungen generiert und damit im Vergleich zu bestehenden Ansätzen eine deutlich höhere wahrgenommene Kontrolle sowie eine verbesserte Aufgabenleistung ermöglicht.
Diese Arbeit stellt ein unüberwachtes Deep-Learning-Framework auf Basis von Convolutional Long-Short Term Memory Autoencodern vor, das räumliche und spektrale Merkmale von Galaxien aus dem MaNGA-IFS-Survey analysiert, um neue Erkenntnisse über die Galaxienentwicklung zu gewinnen und Anomalien bei aktiven galaktischen Kernen zu identifizieren.
Diese Arbeit löst das Paradoxon autonomer Diffusionsmodelle, indem sie zeigt, dass deren zeitinvariante Vektorfelder als Riemannsche Gradientenflüsse auf einer marginalen Energie wirken, wobei eine lokale konforme Metrik die geometrischen Singularitäten kompensiert und die Stabilität von geschwindigkeitsbasierten gegenüber instabilen Rauschvorhersage-Parametrisierungen sichert.
Das Paper stellt SARAH vor, ein Echtzeit-Verfahren für räumlich bewusste, agentenbasierte menschliche Avatare in VR, das durch einen kausalen Transformer-VAE und Flow-Matching natürlichere Ganzkörperbewegungen und Blickkontakt in Abhängigkeit von der Benutzerposition und -stimme ermöglicht.
Die Arbeit stellt MemStream vor, eine Methode, die durch Skalierung des Token-Budgets, adaptive Token-Auswahl und ein trainingsfreies Retrieval-Mixture-of-Experts-System die Genauigkeit beim Verständnis von Video-Streams und bei Video-Frage-Antwort-Aufgaben signifikant verbessert.
Die Arbeit stellt GRIHA vor, ein effizientes Framework, das mithilfe von SLAM-Technologie und Standard-Smartphone-Kameras 2D-Gebäudegrundrisse aus RGB-Bildern generiert und dabei auf teure Tiefenkameras oder panoramafreie Aufnahmen verzichtet.
Diese Arbeit stellt zwei neue Modelle, DSIC und TBDG, vor, die mithilfe moderner Deep-Learning-Techniken aus Grundrissbildern flexible und detaillierte Textbeschreibungen generieren und dabei die Starrheit bestehender Methoden überwinden.
Das Paper stellt MotionHint vor, einen neuartigen selbstüberwachten Algorithmus für die monokulare visuelle Odometrie, der durch die Integration eines neuronalen Bewegungsmodells (PPnet) und eines entsprechenden Verlustterms die Leistung bestehender Systeme auf dem KITTI-Benchmark signifikant verbessert und den absoluten Translationsfehler um bis zu 28,73 % reduziert.
Die Arbeit stellt „Neural Point-based Volumetric Avatar" vor, eine effiziente und fotorealistische Methode zur Darstellung dynamischer Kopf-Avatare, die durch eine oberflächengeführte Neuronenpunkt-Repräsentation und innovative Sampling-Strategien komplexe Gesichtsbereiche wie Mund und Haare besser modelliert als bestehende mesh-basierte Ansätze.