50 Arbeiten
Die Arbeit stellt CDGLT vor, ein rechen-effizientes Framework zur Identifizierung multimodaler Metaphern, das durch den Einsatz von Konzept-Drift und angepasstem LayerNorm-Tuning einen neuen State-of-the-Art auf dem MET-Meme-Benchmark erreicht.
Diese Studie stellt einen neuartigen Ansatz vor, bei dem mithilfe von KI-generiertem Gesang und virtuellen Avataren (insbesondere mit dem Tool HeyGem) Lehrpläne in unterhaltsame audiovisuelle Präsentationen umgewandelt werden, um das Engagement der Studierenden zu steigern und die Merkfähigkeit wichtiger Kursinformationen zu verbessern.
Diese Arbeit stellt ein noise-conditioned Mixture-of-Experts-Framework vor, das durch spezialisierte, rauschbewusste Subräume und ein SNR-abnehmendes Curriculum-Learning die Robustheit der Sprechererkennung unter verschiedenen Störgeräuschen signifikant verbessert.
Diese Arbeit stellt mit AV-CDiT und dem AVW-4k-Datensatz das erste formale Rahmenwerk für audiovisuelle Weltmodelle vor, das synchronisierte binaurale Audio- und Visuelle-Dynamiken unter Aktionskontrolle simuliert und so die Leistung von Agenten bei der Navigation verbessert.
Der Micro-Expression Grand Challenge (MEGC) 2026 stellt zwei neue Aufgaben vor, die multimodale Large Language Models nutzen, um Mikroexpressionen sowohl in kurzen als auch in langen Videos durch Visual Question Answering zu analysieren.
Die Arbeit stellt VoxEmo vor, ein umfassendes Benchmark-Toolkit für die Spracherkennung von Emotionen mit Sprach-LLMs, das durch die Einbeziehung von 35 Korpora in 15 Sprachen, standardisierte Prompt-Strategien und ein weiches Labeling-Verfahren die subjektive Natur menschlicher Emotionen besser abbildet als herkömmliche Ansätze.
Diese Studie untersucht mittels subjektiver Experimente, wie sich End-to-End-Latenz in VR-Konferenzen im Vergleich zu herkömmlicher Videokonferenzierung auf die wahrgenommene Interaktionsflüssigkeit und das soziale Präsenzempfinden auswirkt, um Erkenntnisse für die Optimierung immersiver virtueller Umgebungen zu gewinnen.
Die Studie stellt das TPIFM-Modell vor, das die wahrgenommene Interaktionsflüssigkeit in der ferngesteuerten AR-Zusammenarbeit durch die Klassifizierung von Aufgaben nach ihren just-noticeable differences (JND) bewertet, um Netzwerkbegrenzungen wie Verzögerungen und Unterbrechungen zu berücksichtigen.
Diese Studie untersucht systematisch, wie Latenz die pragmatische und hedonische Qualität der Erfahrung (QoE) in netzwerkbasierten VR-Whiteboards beeinflusst, indem sie verschiedene Kollaborationsmodi und Plattformen (mit und ohne Avatare) im Vergleich zu PC-basierten Systemen analysiert, um praktische Optimierungsrichtlinien zu entwickeln.
Die Arbeit stellt MORE-R1 vor, ein neues Modell, das Large Vision-Language Models durch einen zweistufigen Trainingsprozess mit überwachtem Feinabstimmen und verstärkendem Lernen für eine schrittweise, transparente und skalierbare multimodale Extraktion von Objekt-Entitäts-Beziehungen optimiert.
Diese Studie stellt eine von einem Large Language Model (LLM) gesteuerte Methode zur dynamischen multimodalen Ausdrucks生成 vor, die in virtuellen Lernumgebungen semantisch abgestimmte Sprache und Gesten erzeugt und nachweislich die Lernwirksamkeit, das Engagement sowie das menschliche Erscheinungsbild von pädagogischen Agenten verbessert.
Die Autoren stellen den DynHiL-EQA-Datensatz und das trainingfreie Framework DIVRR vor, um die Herausforderungen dynamischer, von Menschen bevölkerter Umgebungen beim Embodied Question Answering durch eine relevante Sichtverfeinerung und selektive Speicherauswahl zu bewältigen und dabei sowohl die Robustheit als auch die Inferenzeffizienz zu steigern.
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.
Dieses Paper stellt Task 5 des DCASE 2025 Challenges vor, ein mehrdomäniges Benchmark für Audio-Frage-Antwort-Aufgaben, das darauf abzielt, die akustische reasoning-Fähigkeit von Audio-Sprachmodellen durch die Evaluierung in Bereichen wie Bioakustik und komplexen Klanglandschaften zu verbessern.
Die Studie stellt Q-BAR vor, einen hybriden Quanten-Klassischen Framework, der mittels variationaler Quantenschaltungen die Erkennung semantischer Anomalien in Blogbeiträgen bei extrem geringen Datenmengen ermöglicht und dabei Überanpassung vermeidet.
Die Arbeit stellt EC-Net vor, ein hyperbolisches Hypergraph-Framework, das durch die Modellierung von Modalitätshierarchien in Poincaré-Kugel-Einbettungen und bidirektionale Hypergraph-Nachrichtenübertragung robuste und genaue multimodale Emotionserkennung auch bei verrauschten oder unvollständigen Daten ermöglicht.
Die Arbeit stellt ModalImmune vor, ein Trainingsframework, das durch gezieltes, kontrolliertes Zusammenbrechen ausgewählter Modalitäten während des Trainings robuste multimodale Repräsentationen erzeugt, um die Zuverlässigkeit von Systemen bei Ausfall oder Korruption von Eingabekanälen zu gewährleisten.
Die Arbeit stellt TimeSpot vor, einen Benchmark mit 1.455 Bildern aus 80 Ländern, der zeigt, dass aktuelle Vision-Language-Modelle bei der rein visuellen Inferenz von geografischen und zeitlichen Merkmalen sowie bei der räumlich-zeitlichen Schlussfolgerung in realen Szenarien erhebliche Defizite aufweisen.
Das Paper stellt CONSTANT vor, ein neuartiges Diffusionsmodell für die One-Shot-Handschreibengenerierung, das durch Style-Aware Quantization und patch-basierte kontrastive Lernverfahren die Herausforderung meistert, komplexe und diverse Handschriftstile aus nur einem Referenzbild realistisch und detailliert nachzubilden.
Die Arbeit stellt ein zweistufiges Framework vor, das durch die Generierung von Skelettsequenzen aus Text und deren nachfolgende Umwandlung in Videos mittels eines pose-gesteuerten Diffusionsmodells sowie die Bereitstellung eines synthetischen Datensatzes die Erzeugung von Videos komplexer menschlicher Bewegungen wie Akrobatik und Kampfkunst verbessert.