50 Arbeiten
Diese Studie stellt eine neuartige, auf Spektrogrammen basierende Methode mit einem Convolutional Neural Network (CNN) vor, die bei der multilabel-Klassifizierung von südasiatischen Umgebungsgeräuschen im Vergleich zu herkömmlichen MFCC-Techniken eine deutlich höhere Genauigkeit erzielt.
Diese Arbeit stellt ein skalierbares System für das adaptive Streaming dynamischer Punktwolken vor, das durch den Einsatz von Caching und spekulativer Transkodierung die Last reduziert und so eine höhere Anzahl gleichzeitiger Clients bei guter Nutzerqualität ermöglicht.
Diese Studie stellt ein datenbasiertes relativistisches Unsicherheitsframework (DRU) vor, das speziell für die Verbesserung von schlecht beleuchteten Anime-Hintergrundbildern entwickelt wurde, indem es ein neues Datenset erstellt und Unsicherheitsinformationen nutzt, um die Lernziele dynamisch anzupassen und so die Bildqualität über den aktuellen Stand der Technik hinaus zu verbessern.
Die Arbeit stellt V-Skip vor, einen effizienten Dual-Path-Ansatz zur Reduzierung der Latenz bei multimodalen Sprachmodellen, der durch visuelle Anker die „visuelle Amnesie" verhindert und gleichzeitig die Genauigkeit bei einer bis zu 2,9-fachen Beschleunigung erhält.
Die Arbeit stellt GOT-JEPA vor, ein Framework zur Vorhersage von Tracking-Modellen mittels Joint-Embedding Predictive Architecture, das in Kombination mit dem OccuSolver-Modul die Generalisierungsfähigkeit und die Verarbeitungsleistung bei Verdeckungen in der generischen Objektverfolgung signifikant verbessert.
Die Arbeit stellt das AMB-DSGDN-Modell vor, das durch adaptive Modality-Balancing-Mechanismen und einen differentiellen Graph-Attention-Ansatz redundante Signale filtert und dominante Modalitäten ausgleicht, um die multimodale Emotionserkennung in Dialogen zu verbessern.
Das Papier stellt PRoADS vor, ein provisorisch sicheres und robustes Audio-Steganographie-Framework auf Basis von Diffusionsmodellen, das durch latente Optimierung und eine Rückwärts-Euler-Inversion eine außergewöhnlich niedrige Bitfehlerrate von 0,15 % unter MP3-Kompression erreicht.
Das Papier stellt G-STAR vor, ein End-to-End-System, das ein zeitbewusstes Sprecher-Tracking-Modul mit einem Speech-LLM kombiniert, um für lange, überlappende Mehrpersonengespräche konsistente, zeitgestempelte und sprecherattribuierte Transkripte zu erzeugen.
Die Arbeit stellt P-GSVC vor, ein neuartiges, geschichtetes progressives Framework für 2D-Gaussian-Splatting, das durch eine gemeinsame Trainingsstrategie skalierbare und qualitativ hochwertige Bild- und Video-Rekonstruktionen ermöglicht.
Die Arbeit stellt „Reading Activity Traces" (RATs) vor, ein Konzept, das Lesen als eigenständige kreative Tätigkeit begreift und durch die Sichtbarmachung von Lese- und Interpretationspfaden – exemplarisch am WikiRAT-Projekt – den Verlust menschlicher Deutungsarbeit angesichts zunehmender Automatisierung durch Algorithmen und KI adressiert.
Die Arbeit stellt V2M-Zero vor, eine Methode zur Erzeugung von zeitlich synchronisierter Musik aus Videos ohne gepaarte Trainingsdaten, indem sie die gemeinsame zeitliche Struktur beider Modalitäten über intramodale Ereigniskurven nutzt, um Text-zu-Musik-Modelle effektiv für Video-zu-Musik-Aufgaben anzupassen.
Die vorgestellte Arbeit stellt ein System vor, das Vision-Language-Modelle durch eine posebewusste In-Context-Learning-Methode (PA-ICVL) befähigt, visuelle Halluzinationen in Cartoon-Bildern deutlich genauer zu erkennen als herkömmliche Ansätze, die nur auf RGB-Bilder angewiesen sind.
Diese Arbeit stellt einen neuen Testrahmen vor, der anhand psychophysischer Messungen der niederen visuellen Wahrnehmung (wie Kontrastsensitivität und -maskierung) die Leistungsfähigkeit von 34 etablierten Bild- und Videoqualitätsmetriken bewertet und dabei deren spezifische Stärken sowie systematische Schwächen im Vergleich zu menschlichen Sehprinzipien aufdeckt.
Diese Arbeit stellt einen end-to-end Ansatz für die audio-visuelle Spracherkennung vor, der durch eine Conformer-basierte Fusionsarchitektur und integrierte Sprachverbesserung auf explizite Masken verzichtet, um semantisch relevante Informationen zu bewahren und die Rauschrobustheit zu steigern.
Der Paper stellt Omni-C vor, einen einzigen dichten Transformer-Encoder, der durch unimodales kontrastives Vor-Training auf großen unalignierten Daten heterogene Modalitäten wie Bilder, Audio und Text effizient in gemeinsamen Repräsentationen vereint und dabei den Bedarf an Mixture-of-Expert-Architekturen, gepaarter Überwachung oder Routing-Overhead eliminiert.
Das Paper stellt VDCook vor, ein selbstentwickelndes Video-Daten-Betriebssystem, das Forschern und Domänenteams ermöglicht, durch natürliche Sprachabfragen und automatisierte Retrieval- sowie Syntheseprozesse dynamisch aktualisierbare, metadatenreiche Videodatensätze für das Training von Multimodalen Large Language Models (MLLMs) zu erstellen.
Diese Arbeit untersucht die durch KI-Entwicklungen ausgelösten Herausforderungen und Chancen für die Mensch-Daten-Interaktion, indem sie bestehende Grenzen in Bezug auf Unsicherheit, Skalierbarkeit und Interpretierbarkeit aufzeigt und einen Paradigmenwechsel hin zu kognitiv und wahrnehmungsorientierten, menschzentrierten Systemen für die Datenanalyse fordert.
Die Arbeit stellt Alkaid vor, ein provierbar sicheres Steganographie-Verfahren, das durch distanzbeschränkte Kodierung eine deterministische Robustheit gegenüber Editierfehlern bei gleichzeitig hoher Einbettungskapazität und Effizienz gewährleistet.
Die Arbeit stellt SGMD vor, ein stilgeleitetes Motion-Diffusion-Modell, das Transformer-Architekturen mit einem Stil-Modulationsmodul und einem räumlich-zeitlichen Maskierungsmechanismus kombiniert, um kontrollierbare, stilistisch konsistente und realistische Tanzsequenzen zu generieren, die sowohl zur Musik als auch zu benutzerdefinierten Stilvorgaben passen.
Die Arbeit stellt altiro3D vor, eine freie Bibliothek, die aus einem einzelnen RGB-Bild oder Video mittels Monokularer Tiefenschätzung, Inpainting und effizienter Projektionsalgorithmen realistische 3D-Erlebnisse und Lichtfelddaten für Freisicht-Displays erzeugt.