10075 Arbeiten
Das Paper stellt CurveStream vor, ein training-freies Framework, das durch curvature-basierte, hierarchische Speicherverwaltung die Streaming-Video-Verständnisfähigkeiten von Multimodalen Large Language Models ohne Out-of-Memory-Probleme signifikant verbessert und neue State-of-the-Art-Ergebnisse erzielt.
Die Arbeit stellt HiFiGaze vor, eine Methode zur Verbesserung der Genauigkeit von Eye-Tracking auf Consumer-Geräten, indem sie das Wissen über den angezeigten Bildschirminhalt nutzt, um die Reflexion des Bildschirms in den Augen des Nutzers präzise zu segmentieren und so den Blickpunkt zu bestimmen.
FlowScene ist ein neuartiges, multimodal graphbasiertes Generativmodell, das mithilfe eines eng gekoppelten rectified flow-Ansatzes realistische, stil-konsistente Innenräume mit präziser Kontrolle über Layout, Form und Textur einzelner Objekte erzeugt.
Die Arbeit stellt K-GMRF vor, ein trainierfreies, online-fähiges Framework zur Verfolgung nicht-stationärer Kovarianzmatrizen auf Lie-Gruppen, das durch die Formulierung als erzwungene Starrkörperbewegung und die Nutzung symplektischer Integratoren eine überlegene Phasenverzögerung und Stabilität gegenüber bestehenden Methoden erreicht.
Die Arbeit stellt ChangeRWKV vor, eine neuartige Architektur, die durch die Kombination eines hierarchischen RWKV-Encoders und eines räumlich-zeitlichen Fusionsmoduls die Effizienz von CNNs mit dem globalen Kontext von Transformern vereint und dabei auf dem LEVIR-CD-Benchmark einen neuen State-of-the-Art bei gleichzeitiger drastischer Reduktion der Rechenkosten erreicht.
Die Arbeit stellt Physion-Eval vor, ein umfassendes Benchmark-System mit über 10.000 von Experten annotierten Reasoning-Traces, das die physikalische Realitätstreu von generierten Videos bewertet und zeigt, dass aktuelle Modelle in physik-kritischen Szenarien häufig menschlich erkennbare Fehler aufweisen.
Das Paper stellt FB-CLIP vor, ein Framework zur feinkörnigen Zero-Shot-Anomalieerkennung, das durch die Entkopplung von Vordergrund und Hintergrund sowie durch optimierte textuelle Repräsentationen und semantische Konsistenzregularisierung die Lokalisierung von Anomalien in komplexen Szenen verbessert.
Das Paper stellt LoD-Loc v3 vor, eine neue Methode zur generalisierten Luftbild-Lokalisierung in dichten Städten, die durch eine neuartige synthetische Datengenerierung für das bisher größte Instanz-Segmentierungs-Datenset und einen Wechsel von der semantischen zur instanzbasierten Silhouettenausrichtung die Generalisierungsfähigkeit und die Genauigkeit in komplexen Szenen erheblich verbessert.
OrbitNVS verbessert die Synthese neuer Ansichten, insbesondere bei nur einer Eingabeansicht, indem es ein vortrainiertes Videogenerierungsmodell mit angepassten Kamera-Adaptern, einem Normalenkarten-Branch für geometrische Konsistenz und einer pixelweisen Überwachung für schärfere Details nutzt, um auf Benchmarks wie GSO und OmniObject3D neuartige Zustände zu erzeugen.
Das Paper stellt UniPR vor, ein einheitliches, end-to-end Framework, das aus einem einzigen Stereobildpaar Objekte parallel erkennt und rekonstruiert, um die Ineffizienz und kumulativen Fehler bestehender modularer Pipelines zu überwinden und gleichzeitig die Skalierung durch eine neue Pose-bewusste Formdarstellung sowie den großen LVS6D-Datensatz zu ermöglichen.