2771 Arbeiten
CogBlender ist ein Framework, das durch die Interpolation von Geschwindigkeitsfeldern zwischen kognitiven Ankerpunkten eine kontinuierliche und multidimensionale Steuerung kognitiver Bildattribute wie Valenz, Erregung, Dominanz und Merkfähigkeit während der Text-zu-Bild-Generierung ermöglicht.
Die Arbeit stellt MDTrack vor, einen neuartigen Multimodal-Objektverfolger, der durch modalspezifische Expertenfusion und eine entkoppelte zeitliche Propagation mittels separater State-Space-Modelle sowie Cross-Attention-Mechanismen den aktuellen Stand der Technik auf fünf Benchmarks erreicht.
Das Paper stellt DenoiseSplat vor, eine feed-forward Methode zur 3D-Gaussian-Splatting-Rekonstruktion aus verrauschten Multi-View-Bildern, die auf einem neu erstellten Rausch-Datensatz trainiert wird und dabei ohne 3D-Grundwahrheit auskommt, um die Leistung bestehender Ansätze unter realistischen Störbedingungen zu übertreffen.
Das Paper stellt SPR (See, Plan, Rewind) vor, einen fortschrittsbewussten Vision-Language-Action-Rahmen, der durch dynamische Unterteilung von Aufgaben in räumliche Teilziele und einen geschlossenen Regelkreis aus Beobachtung, Planung und Rücksetzfunktion bei Fehlern die Robustheit und Generalisierung robotischer Manipulation signifikant verbessert.
Die Arbeit stellt IntroSVG vor, einen introspektiven Generator-Kritiker-Rahmen, der durch Supervised Fine-Tuning und Direct Preference Optimization visuelle Rückmeldungen in den Generierungsprozess integriert, um die Qualität von Text-zu-SVG-Generierung durch einen iterativen „Erstellen-Überprüfen-Verfeinern"-Zyklus signifikant zu verbessern.
Das Paper stellt CLoE vor, einen konsistenzbasierten Lernrahmen für die Segmentierung medizinischer Bilder mit fehlenden Modalitäten, der durch Expertenkonsistenz auf Entscheidungs- und Regionsebene sowie eine zuverlässigkeitsgesteuerte Merkmalsanpassung die Robustheit und Genauigkeit bei unvollständigen Eingabedaten signifikant verbessert.
Die Arbeit stellt NLiPsCalib vor, ein effizientes Kalibrierungsframework für gekrümmte visuotaktile Sensoren, das mithilfe von Near-Light Photometric Stereo und alltäglichen Objekten eine hochpräzise 3D-Rekonstruktion ohne aufwendige Spezialgeräte ermöglicht.
Die Arbeit stellt SpaceSense-Bench vor, ein groß angelegtes, multimodales Benchmark-Dataset mit 136 Satellitenmodellen und präzisen Ground-Truth-Annotationen, das zur Überwindung von Datenmängeln in der Weltraumwahrnehmung dient und zeigt, dass eine Skalierung der Trainingsdaten entscheidend für die Generalisierung auf unbekannte Ziele ist.
Die Arbeit stellt OddGridBench vor, einen Benchmark zur Bewertung der Sensitivität multimodaler großer Sprachmodelle für feingranulare visuelle Diskrepanzen, und schlägt mit OddGrid-GRPO ein verstärkendes Lernframework vor, das durch Curriculum-Learning und abstandsabhängige Belohnungen die Wahrnehmungsfähigkeit dieser Modelle signifikant verbessert.
Die Arbeit stellt den STAR-Benchmark vor, ein Multi-Agenten-Evaluierungsframework für Nullsummenspiele, das zeigt, dass strategische Intelligenz in dynamischen Umgebungen nicht nur von der Tiefe des logischen Denkens, sondern entscheidend von der Fähigkeit abhängt, Pläne auch unter Zeitdruck schnell umzusetzen, wobei schnellere Modelle in Echtzeitszenarien oft leistungsfähiger sind als rein reasoning-intensive Modelle.
Die Arbeit stellt Predictive Spectral Calibration (PSC) vor, einen quellfreien Testzeit-Anpassungsrahmen für Bildregression, der durch Block-Spektralanpassung und die Kalibrierung verbleibender spektraler Abweichungen die Leistung unter starken Verteilungsverschiebungen verbessert.
Die Arbeit stellt ein robustes und nachweislich sicheres Bild-Steganographie-Framework vor, das auf latenter iterativer Optimierung basiert und durch die schrittweise Verfeinerung latenter Variablen die Extraktionsgenauigkeit unter verschiedenen Bildverarbeitungsbedingungen signifikant verbessert, ohne die Sicherheit zu beeinträchtigen.
Die Studie stellt EPPINN vor, einen evidenzbasierten physikinformierten neuronalen Netzwerk-Ansatz zur zuverlässigen und unsicherheitsbewussten Schätzung von Perfusionsparametern in der CT-Perfusionsbildgebung bei Schlaganfällen, der durch die Modellierung von physikalischen Restfehlern mittels Normal-Inverse-Gamma-Verteilungen sowohl die Genauigkeit als auch die Zuverlässigkeit der Diagnose verbessert.
Die Arbeit stellt M3GCLR vor, ein spieltheoretisches kontrastives Lernframework für die skelettbasierte Aktionserkennung, das durch die Modellierung einer unendlichen Skelettdaten-Spieltheorie, adversarische Multi-View-Augmentierung und einen dualen Verlust-Optimierer die Grenzen bestehender selbstüberwachter Methoden überwindet und state-of-the-art-Ergebnisse auf gängigen Datensätzen erzielt.
Das Paper stellt MIL-PF vor, ein skalierbares Framework, das vortrainierte Basis-Modelle mit einem leichten Multiple-Instance-Learning-Kopf kombiniert, um die Klassifizierung von Mammographien bei geringem Rechenaufwand und nur schwacher Bildbeschriftung effizient und mit state-of-the-art Genauigkeit durchzuführen.
Die Arbeit stellt SinGeo vor, ein einfaches Framework, das durch ein duales diskriminatives Lernverfahren und eine Curriculum-Learning-Strategie ein einzelnes Modell für eine robuste, feld-of-view-unabhängige Geolokalisierung befähigt und dabei den aktuellen Stand der Technik auf mehreren Benchmarks übertrifft.
Die Arbeit stellt EventVGGT vor, ein neuartiges Framework, das durch die erstmalige distillation von räumlich-zeitlichen und multi-view geometrischen Priors aus dem Visual Geometry Grounded Transformer (VGGT) in den Event-Bereich eine konsistente und präzise ereignisbasierte Tiefenschätzung ermöglicht, indem es die inhärente zeitliche Kontinuität von Event-Daten explizit modelliert.
Die Arbeit stellt MIDAS vor, ein trainingsfreies, diffusionsbasiertes Framework für coverless Steganographie, das durch latente Fusion und einen Random-Basis-Mechanismus eine robuste Zugriffskontrolle für mehrere Bilder ermöglicht und dabei hohe Bildqualität sowie Resistenz gegen Steganalyse gewährleistet.
Dieser Bericht stellt den ICDAR-2025-Wettbewerb zur End-to-End-Übersetzung von Dokumentenbildern mit komplexen Layouts vor, bei dem 69 Teams zwei Tracks (OCR-frei und OCR-basiert) für kleine und große Modelle bestritten haben, wobei die Ergebnisse zeigen, dass große Modelle einen vielversprechenden neuen Paradigmenwechsel für diese Aufgabe darstellen.
Die Arbeit stellt YOLO-NAS-Bench vor, das erste Surrogat-Benchmark für YOLO-Architektursuche, das durch einen selbstentwickelnden Mechanismus einen hochpräzisen Vorhersage-Modell schafft, um kostspielige Trainingsprozesse zu umgehen und überlegene Detektor-Architekturen zu entdecken.