8936 Arbeiten
StrandHead ist eine neuartige, textgesteuerte Methode, die mithilfe von menschenzentrierten Priors und einem mesh-basierten Ansatz realistische 3D-Haarschöpfe mit entkoppelten Strang-Attributen für Avatar-Modelle generiert, ohne auf große Mengen an Haar-Text-Paarungsdaten angewiesen zu sein.
Die Arbeit stellt TRecViT vor, einen neuartigen, kausalen Video-Transformer, der durch eine Zeit-Raum-Kanal-Faktorisierung mit rekurrenten Einheiten, Selbstattention und MLPs nicht nur State-of-the-Art-Ergebnisse auf großen Datensätzen wie SSv2 und Kinetics400 erzielt, sondern dabei auch deutlich effizienter ist als etablierte Modelle wie ViViT.
Die vorgestellte Arbeit stellt die Cross-Modal Mapping (CMM)-Methode vor, die durch globale lineare Transformation und lokale Optimierung mittels Triplet-Loss die Modality Gap in vortrainierten visuell-sprachlichen Modellen schließt und so die Genauigkeit beim Few-Shot Image Classification signifikant verbessert.
Die Arbeit stellt CV-DD vor, eine neue Methode zur Datensatz-Distillation, die durch das Sammeln von Vorhersagen mehrerer Modelle in einem Komitee-Voting-Verfahren robustere und generalisierendere synthetische Datensätze erzeugt als bestehende Ansätze.
Diese Arbeit stellt den ATRNet-STAR vor, einen umfassenden neuen Datensatz mit über 190.000 annotierten SAR-Bildern von 40 Fahrzeugkategorien sowie ein entsprechendes Benchmark, um die Entwicklung von Deep-Learning-Methoden für die automatische Zielerkennung in der Fernerkundung voranzutreiben.
Die vorgestellte Arbeit stellt STGN-IT vor, ein räumlich-zeitliches Graph-Netzwerk, das die Vorhersage von Fußgängertrajektorien auch bei unvollständigen historischen Eingabedaten ermöglicht, indem es Beobachtungszustände und statische Hindernisse in einem Graphenmodell integriert.
Die Arbeit stellt V2V-LLM vor, ein neuartiges Framework, das multimodale Large Language Models nutzt, um über Fahrzeug-zu-Fahrzeug-Kommunikation Sensordaten mehrerer autonomer Fahrzeuge zu fusionieren und so die kooperative Wahrnehmung und Planung durch ein einheitliches Modell zu verbessern.
Diese Arbeit bietet den ersten umfassenden Überblick über multimodale generative Modelle, die 2D-, Video-, 3D- und 4D-Generierung in einem einheitlichen Rahmen zusammenführen, um die Simulation der realen Welt durch die systematische Integration verschiedener Daten-Dimensionalitäten zu verbessern.
Die Arbeit stellt MeCo vor, ein semantisch orientiertes Framework für Video-LLMs, das durch strukturelle Token-Generierung, query-fokussierte Captioning und kontrastives Grounding eine präzisere temporale Lokalisierung von Ereignissen ermöglicht als herkömmliche Methoden, die auf der direkten Generierung von Zeitstempeln basieren.
Das Paper stellt AudioX vor, ein einheitliches Framework für die Generierung von Audio aus beliebigen Eingaben, das durch einen multimodalen Anpassungsmodul und einen neuartigen, groß angelegten Datensatz (IF-caps) eine überlegene Leistung bei der Erzeugung von Audio und Musik unter flexiblen multimodalen Kontrollsignalen erzielt.
Die Autoren stellen Car-1000 vor, ein neues groß angelegtes Datenset für die feinabgestufte visuelle Kategorisierung von 1000 verschiedenen Automodellen aus 166 Herstellern, das die veralteten Grenzen des Stanford-Car-Datensatzes überwindet und als neuer Benchmark für die Forschung im Bereich autonomes Fahren und Verkehrssurveillance dient.
Diese Arbeit bietet erstmals einen umfassenden Überblick über die Forschung zur Generierung menschlicher Interaktionsbewegungen, indem sie Grundlagen, bestehende Lösungen und Datensätze für Mensch-Mensch-, Mensch-Objekt- und Mensch-Szenen-Interaktionen sowie Evaluierungsmetriken systematisch zusammenfasst und zukünftige Forschungsrichtungen diskutiert.
Die Autoren stellen mit S2R-HDR den ersten großskaligen synthetischen HDR-Datensatz vor, der auf Unreal Engine 5 basiert, und kombinieren diesen mit einer Domänenanpassungsmethode (S2R-Adapter), um die Generalisierungsfähigkeit von lernbasierten HDR-Fusionsmodellen zu verbessern und state-of-the-art-Ergebnisse auf realen Daten zu erzielen.
Das Paper stellt RainPro-8 vor, ein effizientes Deep-Learning-Modell, das durch die Integration von Radar-, Satelliten- und NWP-Daten präzise, hochauflösende probabilistische Niederschlagsvorhersagen für einen 8-Stunden-Horizont in Europa liefert und dabei bestehende operative Systeme sowie Deep-Learning-Nowcasting-Modelle übertrifft.
Die Arbeit stellt GaussianFormer3D vor, ein neuartiges Framework für die semantische 3D-Belegungsvorhersage, das durch eine LiDAR-initialisierte 3D-Gauß-Methode und einen LiDAR-gesteuerten deformierbaren Aufmerksamkeitsmechanismus im Vergleich zu herkömmlichen Voxel-basierten Ansätzen eine state-of-the-art Genauigkeit bei gleichzeitig reduziertem Speicherbedarf und höherer Effizienz erreicht.
Die vorgestellte Arbeit schlägt einen Dual-Prior-Interaktions-Transformer vor, der durch die effiziente Generierung von Transmissions-Priors mittels eines lokalen linearen Korrektur-Netzwerks und deren tiefen Fusion mit allgemeinen Priors den Zustand der Technik bei der Trennung von Reflexionen und Transmissionen in Einzelbildern verbessert.
Diese Arbeit zeigt, dass durch die Umwandlung von 2D+-Elektronenmikroskopie-Daten in Pseudo-RGB-Eingaben eine unerwünschte Kanal-Asymmetrie in vortrainierten Modellen entsteht, und schlägt eine gezielte Gewichtsmodifikation vor, um diese Verzerrung zu eliminieren, ohne die Segmentierungsgenauigkeit zu beeinträchtigen.
Das Paper stellt RAVENEA vor, einen neuen Benchmark, der durch die Integration von über 11.000 kuratierten Wikipedia-Dokumenten und die Evaluation von Retrieval-Augmented-Generation-Systemen die Lücke im kulturellen Verständnis multimodaler Vision-Sprach-Modelle schließt und nachweist, dass kulturbewusste Abrufmechanismen die Leistung bei visuellen Fragen und Bildbeschreibungen signifikant verbessern.
Das Paper stellt ICon (Inter-token Contrast) vor, eine kontrastive Lernmethode für Vision Transformer, die durch die Trennung agentenspezifischer von umgebungsspezifischen Token effizientere und übertragbare Robotersteuerungsstrategien ermöglicht.
Das Paper stellt OmniEarth-Bench vor, den ersten multimodalen Benchmark, der mit 109 expertenkuratierten Aufgaben systematisch alle sechs Erdsphären und deren Wechselwirkungen bewertet und dabei zeigt, dass selbst fortschrittlichste Multimodal-Modelle in diesem Bereich erhebliche kognitive Defizite aufweisen.