3289 Arbeiten
Die Arbeit stellt SAGE vor, das erste End-to-End-Modell für mehrmodiale große Sprachmodelle, das rohe Punktwolken direkt ohne vortrainierte 3D-Encoder verarbeitet, indem es diese durch einen leichten Tokenizer als „Fremdsprache" in den Wortschatz des LLM integriert und durch eine semantisch ausgerichtete Präferenzoptimierung überlegene Leistung bei 3D-Fragestellungen und Recheneffizienz erzielt.
Die Arbeit stellt MM-Zero vor, ein RL-basiertes Framework, das erstmals die datenlose Selbstentwicklung von Vision-Language-Modellen durch ein dreiteiliges Rollenkonzept (Proposer, Coder, Solver) ermöglicht, das abstrakte visuelle Konzepte generiert, in ausführbaren Code übersetzt und multimodale Schlussfolgerungen trifft.
Die vorgestellte Arbeit entwickelt einen geometrie-bewussten metrischen Lernansatz, der auf inter-joint Winkeln basiert, um die Herausforderungen der domänenbedingten Verschiebung bei der few-shot Erkennung von Gebärdensprachen über verschiedene Sprachen hinweg zu überwinden und dabei eine deutlich höhere Genauigkeit als herkömmliche Koordinaten-basierte Methoden zu erzielen.
Das Paper stellt TubeMLLM vor, ein multimodales Fundamentmodell, das durch die Integration topologischer Vorwissen in eine gemeinsame Aufmerksamkeitsarchitektur und die Nutzung eines neuen Benchmarks (TubeMData) die topologische Konsistenz bei der Modellierung von Gefäßstrukturen in der medizinischen Bildgebung deutlich verbessert und dabei herausragende Zero-Shot-Leistung sowie Robustheit gegenüber Domänenverschiebungen und Bildstörungen aufweist.
Diese Arbeit stellt eine neuartige Verlustfunktion für ein verteiltes Convolutional Neural Network (DisCNN) vor, das durch die Abbildung positiver Proben auf einen kompakten Raum und negativer Proben auf den Ursprung spezifische Merkmale extrahiert, wodurch eine leichte Architektur mit hervorragender Generalisierungsfähigkeit für die Objekterkennung in komplexen Hintergründen ermöglicht wird.
Die Arbeit stellt UniField vor, ein einheitliches, feldbewusstes Framework zur Verbesserung von MRT-Bildern, das durch die Nutzung von 3D-Grundmodellen, einen spektralen Korrekturmechanismus und einen neu veröffentlichten großen Datensatz die Generalisierungsfähigkeit und Bildqualität über verschiedene Magnetfeldstärken hinweg signifikant verbessert.
Die Arbeit stellt HelixTrack vor, eine rein ereignisbasierte Methode zur Echtzeit-Verfolgung und RPM-Schätzung von Propeller-artigen Objekten unter Ego-Bewegung, die durch die Einführung des TQE-Datensatzes und eine neuartige Homographie-basierte Phasen-Schätzung bestehende Grenzen überwindet.
Das Paper stellt BridgeDiff vor, ein diffusionsbasiertes Framework, das durch die Garment Condition Bridge Module und das Flat Structure Constraint Module die Lücke zwischen menschlichen Beobachtungen und der Synthese flacher Kleidungsstücke schließt, um konsistente und strukturell stabile virtuelle Anproben zu ermöglichen.
Die Arbeit stellt RAE-NWM vor, ein Navigations-Weltmodell, das die Dynamik in einem dichten visuellen Repräsentationsraum (DINOv2) anstelle eines komprimierten latenten Raums modelliert und dabei einen Conditional Diffusion Transformer mit einem entkoppelten Kopf sowie einem zeitgesteuerten Gate-Modul nutzt, um die strukturelle Stabilität und die Genauigkeit der Aktionsvorhersage für die visuelle Navigation zu verbessern.
Die vorgestellte Arbeit identifiziert das Problem des „semantischen Rückfalls" bei KI-generierten Bilderkennungssystemen und schlägt mit dem parametrenfreien Modul „Geometric Semantic Decoupling" (GSD) eine Lösung vor, die durch das Entfernen semantischer Komponenten die Generalisierungsfähigkeit und Robustheit gegenüber unbekannten Manipulationen signifikant verbessert.
Das Paper stellt Poly-DETR vor, einen Transformer-basierten Ansatz, der die Instanzsegmentierung durch eine spärliche Polygon-Regressionsmethode mittels Polarrepräsentation neu formuliert und dabei sowohl die Recheneffizienz bei hochauflösenden Eingaben verbessert als auch eine überlegene Leistung gegenüber maskenbasierten Methoden in domänenspezifischen Szenarien erzielt.
Diese Studie präsentiert einen umfassenden Multi-Modell-Ansatz, der vortrainierte und benutzerdefinierte neuronale Netze für die Verkehrsschilderkennung, Fahrzeug- und Spurerkennung sowie Verhaltensnachahmung integriert, um die Robustheit und Zuverlässigkeit autonomer Fahrsysteme durch fortschrittliche Deep-Learning-Techniken und diverse Datensätze zu verbessern.
Die vorgestellte Arbeit stellt DiP vor, ein neuartiges Framework für das multimodale Graph-Lernen, das durch modalspezifische Pseudo-Knoten und dynamische Informationspfade eine adaptive, ausdrucksstarke und lineare Komplexität aufweisende Nachrichtenweitergabe über Modalitäten hinweg ermöglicht und dabei bestehende Basismodelle in verschiedenen Benchmarks übertrifft.
Diese Arbeit stellt ein neuartiges Framework vor, das große Mengen an Web-Videos mit impliziten Geometriedarstellungen kombiniert, um Vision-and-Language-Navigation in realistischen Umgebungen zu skalieren und gleichzeitig den Bedarf an fragiler 3D-Rekonstruktion zu umgehen.
Die Arbeit stellt ForgeDreamer vor, ein neues Framework für die industrielle Text-zu-3D-Generierung, das durch einen Multi-Expert-LoRA-Ensemble-Mechanismus und eine Cross-View-Hypergraph-Geometrie-Verbesserung sowohl Domänenanpassungsprobleme als auch geometrische Konsistenzmängel überwindet und so eine präzise Fertigung ermöglicht.
Die vorgestellte Arbeit verbessert die Effizienz des Trainings von 3D-Gaussian-Splatting durch neuartige Strategien und Verlustfunktionen, die die Listen der pro Pixel rendernden Gaußschen Verteilungen verkürzen, ohne dabei die Wiedergabequalität zu beeinträchtigen.
Die Arbeit stellt SVOR vor, ein robustes Framework, das durch drei innovative Designelemente – MUSE, DA-Seg und ein zweistufiges Curriculum-Training – die Herausforderungen realer Bedingungen wie Schatten, abrupte Bewegungen und fehlerhafte Masken bei der Video-Objektentfernung bewältigt und dabei neue State-of-the-Art-Ergebnisse erzielt.
Diese Arbeit stellt ein neuartiges, lernbasiertes Verfahren zur Zerlegung beliebiger 3D-Objekte in konvexe Körper vor, das durch das Lernen von Feature-Feldern erstmals ein feed-forward-Modell für die offene Welt ermöglicht und dabei sowohl hohe Qualität als auch eine breite Generalisierungsfähigkeit über verschiedene Repräsentationen hinweg erreicht.
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.