6370 Arbeiten
Der vorgestellte Ansatz T2SGrid verbessert die Video-Temporal-Localization, indem er zeitliche Abfolgen durch ein überlappendes Gleitfenster-Verfahren in strukturierte 2D-Gitterbilder umwandelt, um so komplexe zeitliche Dynamiken effizienter zu erfassen als herkömmliche Methoden.
Die vorgestellte VSL-Skin-Technologie ermöglicht erstmals eine individuell adressierbare, voxelbasierte Steuerung der Steifigkeit und virtueller Gelenke in Robotern durch Phasenwechselmaterialien, wodurch die Lücke zwischen weichen und starren Robotern geschlossen und gleichzeitig Selbstreparatur sowie programmierbare Bruchstellen realisiert werden.
Dieses Paper stellt ein konfigurationsgesteuertes Framework für die dynamische Orchestrierung von Datenabrufen in verteilten Systemen vor, das durch die generierung von Ausführungsgraphen zur Laufzeit eine flexible und skalierbare Integration ermöglicht, ohne bei sich ändernden Anforderungen einen Code-Neubereitstellung zu erfordern.
Diese Arbeit zeigt, dass durch den Einsatz voralineierter multimodaler Encoder und eines neuartigen harten kontrastiven Verlusts (HCL) eine state-of-the-art Bild-zu-Form-Wiedergewinnung (IBSR) ohne explizite Ansichtsüberwachung oder Neutrainieren auf Ziel-Datenbanken ermöglicht wird.
Die vorgestellte Arbeit stellt ein einfaches, aber effektives multimodales Rahmenwerk vor, das Vision-Language-Modelle durch die Verwendung von visuellen Referenz-Token und einem abgestimmten Chain-of-Thought-Datensatz mit expliziter objektszentrierter Verankerungsfähigkeit ausstattet, wodurch sie die räumliche reasoning-Fähigkeit bei monokularen Fahrzeugszenen erheblich verbessert.
Die Studie stellt ADAS-TO vor, den ersten groß angelegten natürlichen Datensatz für ADAS-zu-Manuell-Übergänge, der durch multimodale Analysen zeigt, dass in über der Hälfte der sicherheitskritischen Fälle visuelle Warnsignale mindestens drei Sekunden vor einer Übernahme erkennbar sind.
Diese Arbeit stellt einen effizienten, auf einem Weltmodell basierenden Ansatz vor, der mithilfe von Unsicherheitsschätzungen und konformaler Vorhersage bimanuelle Manipulationsfehler zuverlässig erkennt und dabei sowohl die Genauigkeit als auch die Parameter-Effizienz im Vergleich zu bestehenden Methoden deutlich verbessert.
Die Arbeit stellt MipSLAM vor, ein frequenzbewusstes 3D-Gaussian-Splatting-SLAM-Framework, das durch einen elliptischen adaptiven Anti-Aliasing-Algorithmus und eine spektralbewusste Pose-Graph-Optimierung sowohl hochqualitative, aliasfreie neue Ansichten als auch eine robuste Pose-Schätzung unter variierenden Kamerakonfigurationen ermöglicht.
Das Paper stellt AdaGen vor, ein lernbares und prozessadapatives Framework, das die iterative Bildsynthese über verschiedene Generierungsparadigmen hinweg durch eine auf Verstärkungslernen und adversariellen Belohnungen basierende Policy-Steuerung optimiert, um manuelle Parameteranpassungen zu eliminieren und gleichzeitig die Bildqualität bei reduzierten Inferenzkosten zu steigern.
Diese Arbeit stellt ein geschlossenes, durch Large Language Models gesteuertes Evolutionsframework vor, das alle Komponenten des Adaptive Large Neighborhood Search (ALNS) automatisch neu entwickelt und dabei durch den MAP-Elites-Mechanismus sowohl die Lösungsqualität als auch die strategische Vielfalt verbessert, was auf TSPLIB-Benchmarks zu signifikant besseren Ergebnissen als bei klassischen Ansätzen führt.
Das Paper stellt TrajPred vor, ein Framework für Vision-Sprach-Modelle, das durch die Kodierung von Instrumentenbahnen und eine trajectorie-konditionierte Vorhersage semantischer visueller Embeddings die Erkennung von Instrument-Gewebe-Interaktionen in der robotischen Chirurgie verbessert.
Diese Arbeit stellt ein patientenzentriertes, privatsphäreschonendes Identitätsmanagement-Framework für das Gesundheitswesen vor, das durch anonyme Pseudonyme und eine bedingte Rückverfolgbarkeit die Sicherheit gewährleistet und gleichzeitig die Verknüpfbarkeit sowie Nachverfolgbarkeit von Patientendaten minimiert, wobei die praktische Umsetzbarkeit durch formale Verifikation und Simulationen bestätigt wird.
Diese Arbeit stellt ein robustes zweistufiges Planungsframework für mobile Manipulatoren vor, das die hochdimensionale Konfigurationsplanung durch eine Entkopplung in eine diskrete Graphsuche und eine anschließende numerische Optimierung mit L-BFGS löst, um submillimetergenaue und kinematisch machbare Trajektorien zu erzeugen.
Diese Arbeit stellt ein erweitertes, einwilligungsbasiertes Zugriffskontrollframework vor, das durch präventive Konflikterkennung bei der Einwilligungserstellung, formale Systeminvarianten für den Basizzugriff und einen kontextsensitiven Notfallzugriffsmechanismus die semantische Korrektheit in Gesundheitssystemen sicherstellt und dabei die Laufzeitlatenz im Vergleich zu herkömmlichen XACML-Ansätzen signifikant reduziert.
Das Paper stellt Mozart vor, einen neuartigen Algorithmus-Hardware-Co-Design-Rahmen, der durch eine modulare Expertenallokation und ein fein granulares Scheduling die effiziente Ausbildung von Mixture-of-Experts-LLMs auf 3,5D-Wafer-Scale-Chiplet-Architekturen ermöglicht.
Die Studie zeigt, dass generative KI im Designunterricht vor allem als kognitiver Beschleuniger in frühen Phasen dient, während menschliche Kompetenzen wie Urteilsvermögen, Domänenwissen und Geschmack entscheidend bleiben, um KI-Ergebnisse zu validieren und zu verfeinern.
Der Artikel stellt OV-DEIM vor, ein Echtzeit-Open-Vocabulary-Objektdetektionsmodell auf Basis von DEIMv2, das durch eine effiziente Query-Supplement-Strategie und die neuartige GridSynthetic-Datenaugmentierung sowohl die Genauigkeit als auch die Leistung bei seltenen Kategorien verbessert.
Die Arbeit stellt den Hierarchical Memory Tree (HMT) vor, ein dreistufiges Gedächtnisframework, das durch die Entkopplung von logischer Planung und Aktionsausführung die Generalisierungsfähigkeit von Web-Agenten auf neuen Websites signifikant verbessert.
Die Arbeit stellt TFM vor, einen neuen Jailbreak-Angriff auf Text-zu-Video-Modelle, der unsichere Anfragen in eine zeitlich fragmentierte Zwei-Rahmen-Struktur umwandelt, um durch die Ausnutzung der autonomen Vorhersage von Zwischenbildern Sicherheitsfilter zu umgehen und die Angriffserfolgsrate signifikant zu steigern.
Diese Arbeit zeigt, dass die Nutzung von eBPF zur Überwachung des Systemverhaltens neue, bisher in SSE-Bedrohungsmodellen unberücksichtigte Leckagen aufdeckt, die bestehende Angriffe verstärken und die Lücke zwischen theoretischer Sicherheit und praktischer Systemexponierung schließen.