8919 Arbeiten
Das Paper stellt GMAIL vor, ein neuartiges Framework, das generierte Bilder als eigenständige Modalität behandelt und durch Ausrichtung im latenten Raum deren effektive Nutzung zur Verbesserung verschiedener Vision-Language-Aufgaben ermöglicht.
Diese Arbeit stellt ein End-to-End-System vor, das mithilfe von innovativen Techniken zur Szenensegmentierung, multimodalen Lokalisierung und Humor-Erkennung automatisch humorvolle Szenen aus langen Kinofilmen extrahiert und dabei sowohl die Genauigkeit der Szenenerkennung als auch die Qualität der humorvollen Clips signifikant verbessert.
Die Arbeit stellt „Vision Wormhole" vor, ein neuartiges Framework, das über einen universellen visuellen Codec und eine Hub-and-Spoke-Architektur die effiziente, textfreie Kommunikation zwischen heterogenen Multi-Agenten-Systemen ermöglicht, indem es reasoning traces direkt in den visuellen Pfad von Vision-Language-Modellen injiziert, um Latenz und Informationsverlust zu reduzieren.
Die Autoren stellen einen neuartigen Rahmen vor, der auf einem Schrodinger-Brücken-Modell basiert und durch die Verwendung von dualen Diskriminatoren sowie klassenspezifischen Prototypen Halluzinationen von Zielklassen-Features bei der unpaarigen Bildübersetzung von Tag zu Nacht effektiv erkennt und unterdrückt, was die Leistung nachgelagerter Aufgaben signifikant verbessert.
Die vorgestellte Arbeit führt den „Doubly Stochastic Mean-Shift" (DSMS) ein, einen neuartigen Clustering-Algorithmus, der durch die zufällige Variation sowohl der Datenstichproben als auch der Kernel-Bandbreite eine implizite Regularisierung erreicht und damit die Stabilität des Mean-Shift-Verfahrens insbesondere in datenarmen Szenarien signifikant verbessert.
Die Arbeit stellt Adjoint Schrödinger Bridge Matching (ASBM) vor, ein effizientes generatives Modellierungsframework, das durch die Nutzung nicht-gedächtnisloser Prozesse und optimaler Kopplungen geradeere Trajektorien ermöglicht, was zu stabilerem Training, weniger Sampling-Schritten und höherer Bildqualität im Vergleich zu herkömmlichen Diffusionsmodellen führt.
Die Studie zeigt, dass Chain-of-Thought-Methoden zwar die In-Distribution-Generalisierung multimodaler LLMs bei einfachen visuellen Planungsaufgaben verbessern, die Out-of-Distribution-Generalisierung jedoch begrenzt bleibt, wobei textbasierte Modelle und hybride Textformate für die Reasoning-Traces die besten Ergebnisse erzielen.
Diese Studie zeigt, dass offene multimodale Large Language Models (MLLMs) wie LLaVA1.6-Mistral-7B durch ihre vortrainierten Fähigkeiten morphierte Gesichter in einem Zero-Shot-Setting ohne Feinabstimmung zuverlässig erkennen und dabei spezialisierte, trainierte Baseline-Systeme deutlich übertreffen.
Die Arbeit stellt RPT-SR vor, einen regional priorisierten Transformer, der durch die Fusion von lernbaren Szenen-Gedächtnistokens mit lokalen Bildinformationen die Infrarot-Super-Resolution für statische Überwachungs- und Fahrzeugszenen effizienter gestaltet und dabei sowohl Lang- als auch Kurzwellen-Infrarotdaten auf einen neuen State-of-the-Art-Niveau hebt.
Die Arbeit stellt LEADER vor, einen leichten, vollständig end-to-end arbeitenden neuronalen Dual-Autoencoder mit Aufmerksamkeitsmechanismus, der Roh-Fingerabdruckbilder direkt in robuste Minutien-Deskriptoren umwandelt und dabei sowohl höchste Genauigkeit als auch eine überlegene Recheneffizienz im Vergleich zu bestehenden Methoden erreicht.
Die vorgestellte Arbeit schlägt einen semantisch geleiteten Ansatz zur Entfernung transienter Objekte in der 3D-Gaussian-Splatting-Rekonstruktion vor, der mithilfe von Vision-Language-Modellen und CLIP-Ähnlichkeitswerten Parallaxen-Ambiguitäten überwindet und dabei eine hohe Rekonstruktionsqualität bei minimalem Speicherbedarf und Echtzeit-Rendering gewährleistet.
Dieses Paper stellt einen neuen ganzheitlichen Bewertungsmaßstab namens „Advanced Acceptance Score" vor, der die Qualität biometrischer Handgesten-Scores durch die Berücksichtigung von Rangordnung, Punktreward, Trendkorrelation und Identitätsentwirrung bewertet und dessen Überlegenheit gegenüber bestehenden Methoden durch umfangreiche Experimente mit fünf State-of-the-Art-Modellen auf drei Datensätzen nachgewiesen wird.
Die vorgestellte Arbeit schlägt ein dynamisches, trainingsfreies Fusionsframework vor, das durch die adaptive Auswahl von LoRA-Gewichten auf Basis von KL-Divergenz und gradientenbasierte Korrekturen mittels CLIP- und DINO-Scores während des gesamten Diffusionsprozesses eine kohärente Synthese von Subjekt und Stil ohne Nachtraining ermöglicht.
Die Arbeit stellt PADE vor, eine trainingsfreie Methode, die durch die Nutzung und adaptive Verstärkung interner positiver Aufmerksamkeitsdynamiken in Large Vision-Language-Modellen Halluzinationen reduziert und die visuelle Verankerung verbessert.
Dieses Paper stellt den umfassenden Datensatz IRIS-v2 vor, der Bilder, Punktwolken und P&ID-Diagramme für die industrielle Szene enthält, um die manuelle und zeitaufwändige Ausrichtung von funktionalen Schemata mit 2D/3D-Erfassungen durch Kombination von Segmentierung und Graph-Matching zu automatisieren.
Die Studie stellt CARE Drive vor, ein modellunabhängiges Framework zur systematischen Evaluierung der Reaktionsfähigkeit von Vision-Language-Modellen auf menschliche Entscheidungsgründe im automatisierten Fahren, indem kontextuelle Variationen genutzt werden, um zu prüfen, ob Erklärungen echte kausale Einflussfaktoren oder nur nachträgliche Rationalisierungen darstellen.
Die vorgestellte Arbeit entwickelt eine Methode zur inversen Materialgestaltung, die Diffusionsmodelle auf einem relaxierten, kontinuierlichen Parameterraum nutzt, um durch geführte Diffusion und differentiable Simulation vielfältige und präzise Designs für Verbundwerkstoffe mit vorgegebenen mechanischen Eigenschaften zu generieren.
Die vorgestellte Arbeit führt CEMRAG ein, ein einheitliches Framework, das visuelle klinische Konzepte mit multimodaler Retrieval-Augmented Generation (RAG) kombiniert, um sowohl die Interpretierbarkeit als auch die faktische Genauigkeit bei der automatisierten Generierung radiologischer Berichte zu verbessern und dabei das angenommene Zielkonflikt zwischen Transparenz und Leistung aufzulösen.
Die Autoren stellen eine 3D-Datenanalyse-Optimierungspipeline vor, die mittels zweier Bayesscher Optimierungsstufen die Auswahl und Parametrisierung von Segmentierungs- und Klassifizierungsmodellen für biomedizinische 3D-Bilder automatisiert und dabei den manuellen Annotationsaufwand durch einen assistierten Workflow reduziert.
Der Artikel schlägt einen Paradigmenwechsel in der bildbasierten Wissenschaft vor, bei dem die semantikfreie, kriterienbasierte Strukturerkennung der semantischen Zuordnung vorgeschaltet wird, um reproduzierbare und ontologieunabhängige Analysen zu ermöglichen.