3166 Arbeiten
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.
Die Arbeit stellt den vollständig konvolutionalen Diffusionsmodell (FCDM) vor, der auf ConvNeXt basiert und durch seine überlegene Recheneffizienz sowie trainierbarkeit auf begrenzter Hardware eine wettbewerbsfähige Alternative zu Transformer-basierten Diffusionsmodellen darstellt.
Die Arbeit stellt RiO-DETR vor, den ersten Echtzeit-Transformer für die Detektion orientierter Objekte, der durch innovative Ansätze wie content-gesteuerte Winkelabschätzung, entkoppelte periodische Verfeinerung und dichte O2O-Überwachung die Herausforderungen der Winkelperiodizität und des erweiterten Suchraums überwindet, um einen neuen Kompromiss zwischen Geschwindigkeit und Genauigkeit zu erreichen.
Die Arbeit stellt PromptDLA vor, ein domainspezifisches Prompting-Framework für die Dokumentenlayoutanalyse, das deskriptives Wissen nutzt, um Domänenwissen effektiv zu integrieren und so durch maßgeschneiderte Prompts die Generalisierungsfähigkeit über verschiedene Datensätze hinweg zu verbessern und state-of-the-art-Ergebnisse zu erzielen.
Die Arbeit stellt CIGPose vor, ein Framework, das mittels kausaler Intervention und Graph-Neural-Networks störende visuelle Kontexteinflüsse eliminiert, um robuste und anatomisch plausible Ganzkörper-Pose-Schätzungen zu erreichen und dabei neue State-of-the-Art-Ergebnisse auf dem COCO-WholeBody-Datensatz zu erzielen.
Die Arbeit stellt MetaDAT vor, ein Verfahren zur Vorhersage von Trajektorien, das durch Meta-Learning während des Trainings und einen datenadaptiven Mechanismus zur Anpassung von Lernraten und Aktualisierungsfrequenzen während des Testens eine robuste Generalisierung unter Verteilungsverschiebungen ermöglicht.
Diese Arbeit stellt Open-World Motion Forecasting vor, ein neuartiges Szenario für autonomes Fahren, das durch ein end-to-end Framework mit Pseudo-Labeling und einem neuen Replay-Sampling-Verfahren die Herausforderung des katastrophalen Vergessens beim sequenziellen Erlernen neuer Objektklassen direkt aus Kamerabildern bewältigt.