8881 Arbeiten
Das Paper stellt GS-ProCams vor, ein bahnbrechendes Framework für Projektions-Kamera-Systeme, das auf 3D-Gaussian-Splatting basiert und im Vergleich zu bisherigen NeRF-Methoden eine view-agnostische Projektionsabbildung ohne zusätzliche Hardware bei drastisch reduziertem Speicherbedarf und um ein Vielfaches höherer Inferenzgeschwindigkeit ermöglicht.
Die Arbeit stellt DARB-Splatting vor, eine Methode, die die 3D-Gaussian-Splatting-Technik durch die Verwendung einer Klasse von zerfallenden anisotropen radialen Basisfunktionen (DARBFs) verallgemeinert und dabei vergleichbare Rekonstruktionsqualität bei ähnlicher Effizienz erreicht.
Dieses Paper stellt SSL4EO-S12 v1.1 vor, ein multimodales und multitemporales Erdbeobachtungsdatenset, das durch die Korrektur von Geolokalisierungsfehlern, die Optimierung der Datenstruktur und die Erweiterung um Höhen-, Landbedeckungs- und Vegetationsdaten für das Vortraining großskaliger Fundamentmodelle optimiert wurde.
Die Arbeit stellt VITAL vor, eine Methode zur Generierung besser verständlicher Merkmalsvisualisierungen in neuronalen Netzen durch die Kombination von Statistiken realer Bildmerkmale und relevanter Informationsflüsse, um die oft unklaren Ergebnisse bestehender Verfahren zu überwinden.
Diese Übersichtsarbeit untersucht den aktuellen Stand der Technik zur Generierung digitaler Zwillinge aus visuellen Daten, analysiert verschiedene Methoden wie 3D-Gaussian-Splatting und fundamentale Modelle, diskutiert Herausforderungen wie Okklusionen und Beleuchtungsänderungen sowie zukünftige Forschungsrichtungen für Anwendungen in Robotik, Medien und Bauwesen.
Diese Studie präsentiert einen Benchmark von maschinellen Lern- und Deep-Learning-Algorithmen zur Klassifizierung von Baumarten mittels hochauflösender multispektraler ALS-Daten und zeigt, dass ein Point-Transformer-Modell auf der Grundlage von 5000 Trainingssegmenten mit einer Gesamtgenauigkeit von 92,0 % die besten Ergebnisse erzielt.
Das Paper stellt MINT vor, ein Framework, das durch Präferenzoptimierung spezialisiertes multimodales biomedizinisches Wissen von einem Upstream-Modell auf downstreame unimodale Large Language Models überträgt, um deren Leistung bei Aufgaben wie der Vorhersage seltener genetischer Krankheiten und der Klassifizierung von Gewebetypen signifikant zu verbessern.
Die Arbeit stellt APCoTTA vor, ein neuartiges Framework für die kontinuierliche Testzeit-Adaptierung zur semantischen Segmentierung von airborne LiDAR-Punktwolken, das durch gezielte Schichtauswahl, Entropie-basierte Konsistenzregularisierung und Parameter-Interpolation die Leistungsfähigkeit unter Domänenverschiebungen verbessert und gleichzeitig katastrophales Vergessen verhindert, wobei zwei neue Benchmarks zur Evaluierung bereitgestellt werden.
Die Autoren stellen MMS-VPR, ein groß angelegtes multimodales Datenset und Benchmark für die visuelle Ortsidentifikation in fußgängerfreundlichen Straßenumgebungen in China, sowie die dazugehörige Benchmark-Plattform MMS-VPRlib vor, die eine standardisierte Evaluierung verschiedener Modalitäten und Methoden ermöglicht.
Die Arbeit stellt cadrille vor, ein multi-modales CAD-Rekonstruktionsmodell, das durch eine zweistufige Pipeline aus überwachtem Feinabstimmen und Reinforcement-Learning-basiertem Training mit GRPO neue State-of-the-Art-Ergebnisse auf mehreren Datensätzen erzielt.
Die Arbeit stellt „Prompts-to-Summaries" vor, ein datenfreies, null-Shot-System, das durch die Orchestrierung von Video-Sprach- und großen Sprachmodellen über Textanfragen flexible und trainingsfreie Videosummarys erzeugt, die in Benchmarks mit überwachten Methoden konkurrieren können.
Das Paper stellt DreamAnywhere vor, ein modulares System zur schnellen Generierung und Prototypisierung von 360°-Panorama-3D-Szenen aus Text, das durch die Trennung von Hintergrund und Objekten sowie deren Umwandlung in detaillierte 3D-Modelle eine überlegene Kohärenz bei neuen Ansichten und eine intuitive Bearbeitung für Anwendungen wie Low-Budget-Filmproduktionen ermöglicht.
Die vorgeschlagene dreistufige Methode ermöglicht die Generierung geometrisch und texturkonsistenter 3D-Szenen aus einem einzelnen RGB-Bild, indem sie durch Inpainting verdeckte Objekte vervollständigt, über Pseudo-Stereo-Ansichten die räumliche Geometrie erfasst und durch Layout-Optimierung eine präzise Ausrichtung der 3D-Assets mit dem Eingabebild sicherstellt.
Das Paper stellt FedX vor, eine neue Strategie für das föderierte Lernen im Bereich der Fernerkundung, die mithilfe erklärbarer KI-Methoden unwichtige Modellkomponenten identifiziert und beschneidet, um die Kommunikationskosten bei gleichzeitiger Verbesserung der Generalisierungsfähigkeit erheblich zu senken.
Das Paper stellt ZeroScene vor, ein Zero-Shot-Framework, das auf Basis eines einzelnen Bildes mittels großer visueller Modelle und Diffusionsprozesse sowohl kohärente 3D-Szenen rekonstruieren als auch konsistente Texturen bearbeiten kann.
Die vorgestellte Arbeit stellt eine vollständig interpretierbare statistische Methode zur Hintergrundsubtraktion in roadside LiDAR-Daten vor, die mittels eines Gaußschen Verteilungsgitters und eines Filteralgorithmus eine präzise und hardwareeffiziente Objekterkennung für automatisiertes Fahren ermöglicht.
Die Arbeit stellt ein Framework zur Synthese von über einer Million visuell zentrierter Probleme vor, das durch eine zweistufige Generierung komplexer Aufgaben und das Training von Qwen2.5-VL-7B nicht nur bestehende Open-Source-Modelle übertrifft, sondern auch signifikante Verbesserungen bei rein textbasierten, auditiven und embodied-Aufgaben sowie neue Erkenntnisse für den gesamten VLM-Post-Training-Prozess liefert.
Diese Studie zeigt, dass synthetische Bilder die Trainingsdatenknappheit bei der muskoxenbasierten Wildtierüberwachung effektiv überwinden und die Leistung von KI-Objekterkennungsmodellen in Szenarien mit wenigen oder keinen realen Trainingsdaten verbessern können.
Die Arbeit stellt Terminal Velocity Matching (TVM) vor, eine Verallgemeinerung von Flow Matching, die durch Regularisierung am Endzeitpunkt, architektonische Anpassungen für Diffusion Transformer und eine optimierte Attention-Implementierung state-of-the-art-Ergebnisse für ein- und mehrstufige generative Modelle auf ImageNet erzielt.
Die Arbeit stellt TGIF vor, einen leichten, textgesteuerten Modul zur dynamischen Fusion von Bildmerkmalen aus verschiedenen Encoderebenen, der Halluzinationen in Multimodal Large Language Models reduziert, ohne den Vision-Encoder zu aktualisieren.