55 Arbeiten
Diese Arbeit stellt ein Transformer-basiertes Framework für die audio-visuelle Emotionserkennung vor, das mithilfe von temporär ausgerichteten rotierenden Positionseingebettungen (TaRoPE) und einem Cross-Temporal Matching-Verlust die zeitliche Ausrichtung heterogener Modalitäten verbessert und so die Leistung gegenüber bestehenden Baselines steigert.
Diese Arbeit zeigt, dass Bild-in-Bild-Steganografie aufgrund ihrer charakteristischen Mischprozesse, die sich mittels unabhängiger Komponentenanalyse und Momentenanalyse leicht identifizieren lassen, eine hohe Anfälligkeit für Entdeckung aufweist und mit vorgeschlagenen sowie klassischen Methoden eine sehr hohe Detektionsgenauigkeit erreicht wird.
Die Arbeit stellt ein paralinguistisch erweitertes Feinabstimmungsverfahren (PE-FT) vor, das durch gezielte Schichtanalyse und eine duale Klassifizierungskopf-Architektur Large Audio Language Models befähigt, paralinguistische Hinweise effektiv zu nutzen und dabei sogar die Leistung einer vollständigen Schicht-Feinabstimmung übertrifft.
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.
Die Arbeit stellt InstructHumans vor, ein neuartiges Framework für die instruktionsgesteuerte Textur-Editierung animierbarer 3D-Menschen, das durch eine modifizierte Score Distillation Sampling-Methode (SDS-E) und Regularisierungstechniken konsistente und hochauflösende Änderungen im Vergleich zu bestehenden Methoden ermöglicht.
Das Paper stellt EasyAnimate vor, ein hocheffizientes Framework zur Videogenerierung auf Basis von Diffusion-Transformern, das durch Hybrid-Fenster-Attention, Reward-Backpropagation und optimierte Trainingsstrategien sowohl die Geschwindigkeit als auch die Qualität der Videoerstellung verbessert und dabei State-of-the-Art-Ergebnisse erzielt.
Die Arbeit stellt ExposureEngine vor, ein End-to-End-System zur präzisen, rotationsbewussten Erkennung von Sponsor-Logos in Sportübertragungen mittels orientierter Bounding Boxes, das auf einem neuen Datensatz trainiert wurde und durch eine sprachgesteuerte Agentenschicht automatisierte Sichtbarkeitsanalysen und Berichte ermöglicht.
Diese Arbeit zeigt theoretisch und empirisch auf, dass diffusion-basierte Bildbearbeitung robuste unsichtbare Wasserzeichen durch den zugrundeliegenden Denoising-Prozess systematisch zerstört, was zu einer Informationsverlustrate führt, die eine zuverlässige Entschlüsselung unmöglich macht.
Die Arbeit stellt DeformTrace vor, ein hybrides State-Space-Modell mit deformierbaren Dynamiken und Relais-Token-Mechanismen, das durch präzise zeitliche Fokussierung und verbesserte Langstreckenmodellierung den State-of-the-Art in der Lokalisierung von Medienmanipulationen erreicht.
Das Paper stellt SarcasmMiner vor, ein auf Bestärkendem Lernen basierendes Nachtrainierungsframework, das durch eine Dual-Track-Destillationsstrategie und ein generatives Belohnungsmodell die robuste multimodale Sarkasmuserkennung verbessert und die F1-Leistung auf dem MUStARD++-Datensatz signifikant steigert.
Die Arbeit stellt Export3D vor, eine Methode zur einmaligen, 3D-bewussten Porträtanimation, die durch einen neuartigen Tri-Plane-Generator und ein kontrastives Vor-Training Ausdrücke und Kameraperspektiven steuern kann, ohne dabei bei ausdruckskontrollierter Animation über verschiedene Identitäten hinweg unerwünschte Gesichtsmerkmale zu übertragen.
Die Arbeit schließt die Lücke in der Bewertung von Musikgenerierungsmodellen, indem sie ein umfassendes Ökosystem für Reward-Modelle unter kompositorischen multimodalen Anweisungen (CMI) einführt, das aus einem großen Datensatz, einem menschlich annotierten Korpus und einem einheitlichen Benchmark besteht, um die Ausrichtung auf Musikalität und Text-Musik-Konsistenz zu verbessern.
Die Studie identifiziert und quantifiziert den „Order-to-Space Bias" (OTS), bei dem die Reihenfolge von Entitäten in Texten fälschlicherweise die räumliche Anordnung in Bildgenerierungsmodellen bestimmt, und zeigt, dass gezielte Feinabstimmung sowie Eingriffe in frühen Phasen dieses datengetriebene Problem wirksam reduzieren können.
Das Paper stellt Crab⁺ vor, ein skalierbares und einheitliches Audio-Visuelles Large Language Model, das durch den neuen AV-UIE v2-Datensatz mit expliziten Schlussfolgerungsprozessen und die Interaktionsbewusste LoRA (I-LoRA) mit dynamischem Routing die Problematik negativen Transfers bei der gemeinsamen Ausbildung heterogener Aufgaben löst und so in fast 88 % der Fälle positive Transferwirkungen erzielt.