9124 Arbeiten
Die Studie stellt gPerXAN vor, eine neuartige Architektur für das federierte Domänengeneralisieren, die durch personalisierte explizit zusammengesetzte Normalisierungsschichten und einen Leitregularisierer datenschutzkonform und effizient domäneninvariante Repräsentationen erlernt, um die Generalisierungsfähigkeit auf unsichtbare Domänen zu verbessern.
Die Studie stellt DABench vor, ein umfassendes Benchmark-System, das den objektiven Vergleich und die Weiterentwicklung von KI-basierten Datenassimilationsmethoden für die globale Wettervorhersage ermöglicht und deren Wettbewerbsfähigkeit mit etablierten Verfahren nachweist.
Die Arbeit stellt Story-Iter vor, ein trainingsfreies, iteratives Paradigma mit einem globalen Referenz-Cross-Attention-Modul, das die semantische Konsistenz und feingranulare Interaktionen bei der Visualisierung langer Geschichten mit bis zu 100 Bildern durch die schrittweise Integration aller vorherigen Referenzbilder verbessert.
Die Arbeit stellt einen „Cautious Optimizer" vor, der durch eine minimale, eine Zeile umfassende Modifikation beliebiger Momentum-Optimierer in PyTorch die Stabilität und Trainingsgeschwindigkeit bei LLMs und Bildklassifizierung verbessert, ohne dabei die theoretischen Konvergenzgarantien zu verletzen.
Die Arbeit stellt LVLM-COUNT vor, eine einfache Basismethode, die die Zählleistung von Large Vision-Language Models bei großen Objektzahlen durch einen Divide-and-Conquer-Ansatz mit einem speziellen Mechanismus zur Vermeidung von Doppelzählungen verbessert.
Die Studie zeigt, dass Vision- und Vision-Language-Grundmodelle sich hervorragend für konforme Vorhersagen eignen, wobei die APS-Methode besonders vielversprechend ist und eine Kalibrierung der Konfidenzvorhersagen die Effizienz adaptiver Verfahren sogar verschlechtern kann.
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.