2786 Arbeiten
Dieses Paper stellt drei neue, hochwertige Testdatensätze vor (Hadrian, Eclipse und ND-Twins), die ohne künstliche Bildverschlechterung die Schwierigkeit der Gesichtserkennung durch natürliche Variationen wie Bartwuchs, Belichtung und Ähnlichkeit bei Zwillingen erhöhen, um Schwächen bestehender Algorithmen aufzudecken.
Diese Arbeit identifiziert und analysiert eine unerwartete „Korruptionsphase" während des Few-Shot-Fine-Tunings von Diffusionsmodellen, die durch eine verengte Lernverteilung verursacht wird, und schlägt vor, Bayesianische Neuronale Netze zur impliziten Verbreiterung dieser Verteilung einzusetzen, um die Bildqualität und Vielfalt zu verbessern, ohne zusätzliche Inferenzkosten zu verursachen.
Die Arbeit stellt RDM vor, ein rekurrentes Diffusionsmodell, das mithilfe von Normalizing Flows effizient lange, textgetreue menschliche Bewegungssequenzen generiert, indem es den rechenintensiven vollständigen Denoising-Prozess früherer Autoregressiver Ansätze umgeht.
Die Arbeit stellt PiVOT vor, einen neuen Visual-Prompting-Mechanismus für das generische Objekttracking, der einen vortrainierten Fundamentmodell (CLIP) nutzt, um Online-Visual-Prompts automatisch zu generieren und zu verfeinern, wodurch der Tracker durch kontrastive Führung Störobjekte effektiv unterdrücken und die Verfolgungsleistung verbessern kann.
Die Arbeit stellt den Pose Prior Learner (PPL) vor, eine selbstüberwachte Methode, die ohne menschliche Annotationen allgemeine Pose-Priors für Objektkategorien lernt und so die Genauigkeit der Pose-Schätzung, insbesondere bei verdeckten Bildern, durch den Einsatz einer hierarchischen Speicherstruktur und iterativer Inferenz verbessert.
Die Arbeit stellt ExpGest vor, ein neuartiges Diffusionsmodell, das durch die Synchronisation von Audio- und Textinformationen sowie einen speziellen Emotionsklassifikator erstmals ausdrucksstarke, kontrollierbare Ganzkörpergesten erzeugt und damit die Starrheit bestehender Upper-Body-Methoden überwindet.
Diese Studie stellt ein neurosymbolisches System vor, das durch die Rekonstruktion von Bildern mittels visueller Primitiven strukturelle Darstellungen lernt und sich in der histologischen Bildanalyse sowohl durch höhere Klassifizierungsgenauigkeit als auch durch größere Transparenz gegenüber herkömmlichen Deep-Learning-Architekturen auszeichnet.
Diese Arbeit stellt einen Ansatz vor, bei dem Diffusionsmodelle ihre Generierungsprozesse an die Komplexität einzelner Eingaben anpassen, indem sie unter variierenden Zeitrahmen und Rauschplänen trainiert werden, was zu einer Reduktion der erforderlichen Abtastschritte bei gleichbleibender Bildqualität führt.
Die Arbeit stellt Prithvi-EO-2.0 vor, ein vielseitiges, quelloffenes geospatiales Fundamentmodell, das durch Training auf 4,2 Millionen globalen Zeitreihen und die Integration von Zeit- und Orts-Embeddings signifikante Leistungssteigerungen gegenüber Vorgängermodellen und anderen geospatialen Modellen in verschiedenen Erdbeobachtungsaufgaben erzielt.
Die Arbeit stellt iLLaVA vor, eine Methode zur umfassenden Beschleunigung von Large Multimodal Models durch die gemeinsame Optimierung des Bildencoders und des LLM mittels einer neuartigen Token-Merging-Strategie, die nicht nur die Rechenzeit drastisch reduziert, sondern auch die Genauigkeit größerer Modelle im Vergleich zu kleineren verbessert.
Die Arbeit stellt HarmonicEval vor, ein referenzfreies, umfassendes Evaluationsmaß für Vision-Language-Modelle, das in einem Bottom-up-Verfahren kriterienspezifische Scores aggregiert, und führt gleichzeitig den MMHE-Benchmark mit 18.000 menschlichen Urteilen über vier multimodale Aufgaben ein, um die Generalisierbarkeit automatischer Metriken in Multi-Task-Szenarien zu verbessern.
Der Artikel stellt LangSurf vor, eine Methode, die durch eine gemeinsame Trainingsstrategie und ein hierarchisches Kontextbewusstseinsmodul präzise sprachbasierte 3D-Segmentierung und -Bearbeitung ermöglicht, indem sie Sprach-Gaussians exakt mit den Objektoberflächen ausrichtet und so die Grenzen bestehender Ansätze wie LangSplat überwindet.
Diese Arbeit stellt eine Methode vor, die vortrainierte Vision-Language-Modelle nutzt, um abstrakte symbolische Weltmodelle aus wenigen Bild-Demonstrationen zu lernen, wodurch Roboter in der Lage sind, langfristige Entscheidungsprobleme in komplexen Umgebungen durch Planung auf neue Ziele und Szenarien zu verallgemeinern.
Diese Arbeit stellt effiziente Datenreduktionsstrategien für das semi-supervisierte adversarielle Training vor, die durch latente Clustering-Techniken die benötigte Menge an ungelabelten Daten und die Rechenzeit drastisch senken, ohne dabei die Robustheit des Modells zu beeinträchtigen.
Die Autoren stellen ein problemagnostisches, auf dem Maximum-a-Posteriori-Prinzip basiertes Diffusionsmodell vor, das durch die Schätzung eines geführten Terms unbedingte vortrainierte Modelle für inverse Bildprobleme wie Super-Resolution und Inpainting verbessert und dabei die strukturelle Kohärenz der Ergebnisse signifikant erhöht.
Die Arbeit stellt GPC vor, ein Lernsteuerungsframework, das durch die Kombination einer generativen Diffusions-Policy, eines prädiktiven Weltmodells und eines Online-Planers die Leistung von Behavior Cloning in verschiedenen robotischen Manipulationsaufgaben sowohl in Simulation als auch in der realen Welt übertrifft.
Das Paper stellt VL-Nav vor, ein neuro-symbolisches System, das neuronale Schlussfolgerungen mit symbolischer Führung kombiniert, um autonome Roboter bei der Navigation in komplexen, unbekannten Umgebungen basierend auf abstrakten Sprachanweisungen zu ermöglichen und dabei hohe Erfolgsraten in Simulationen und realen Tests zu erzielen.
Die Arbeit stellt Prompt-SID vor, ein selbstüberwachtes Framework für die Einzelbild-Denoising, das mittels latenten Diffusionsprozessen strukturelle Prompts generiert und über einen Transformer-basierten Aufmerksamkeitsmechanismus integriert, um strukturelle Details zu bewahren und die Effizienz gegenüber bestehenden blind-spot-basierten Methoden zu steigern.
Die Studie stellt LaVCa vor, eine datengestützte Methode, die große Sprachmodelle nutzt, um präzise natürliche Sprachbeschreibungen für die Selektivität von Neuronen im visuellen Kortex zu generieren und damit tiefere Einblicke in die menschliche visuelle Repräsentation sowie feinere funktionale Differenzierungen als bisherige Ansätze ermöglicht.
Diese Studie stellt einen Algorithmus vor, der durch die Fusion von segmentierten T1-, T2-, T1ce- und FLAIR-MRT-Bildern mittels UNET und gewichteter Durchschnittsbildung sowie deren Klassifizierung mit einem ResNet50-Modell eine Genauigkeit von 99,25 % bei der Untergruppenklassifizierung von Gliomen erreicht.