3447 Arbeiten
Die Arbeit stellt LIDA vor, einen effizienten, modellagnostischen Rahmen, der die Zuordnung von KI-generierten Bildern als Instanzwiederfindungsproblem formuliert und durch eine unsupervised Vortrainierung mit Few-Shot-Anpassung state-of-the-art-Ergebnisse in Null- und Few-Shot-Szenarien erzielt.
Die Arbeit stellt Marigold-SSD vor, ein effizientes Ein-Schritt-Diffusions-Framework zur Zero-Shot-Tiefenvervollständigung, das durch Verlagerung der Rechenlast auf das Fine-Tuning die Inferenzgeschwindigkeit drastisch erhöht und dabei eine starke Generalisierungsfähigkeit über verschiedene Domänen hinweg erreicht.
Diese Arbeit stellt einen rechen-effizienten, encoder-only Multi-Talker-ASR-Ansatz vor, der semantische Priors von großen Sprachmodellen durch Destillation in den Encoder integriert und über eine Talker-Count-Routing-Komponente variable Sprecherzahlen handhabt, wodurch bei geringerer Latenz eine Leistung erzielt wird, die in komplexeren Szenarien bestehende LLM-basierte Systeme übertrifft.
Diese Arbeit stellt einen reproduzierbaren Vergleich zwischen Clough-Tocher- und Multiquadric-RBF-Interpolationsverfahren unter Rauschen vor und zeigt, dass trotz Überanpassung bei verrauschten Daten die kubische Interpolation stabiler ist und in der Umwelttechnik genutzt werden kann, um physikalisch sinnvolle Prozessverläufe aus ungenauen Messungen wiederherzustellen.
Die Arbeit stellt eine neue Methode namens Latent Transition Discrepancy (LTD) vor, die durch die Analyse der Konsistenzunterschiede in den latenten Darstellungen zwischen echten und synthetischen Bildern eine überlegene Generalisierbarkeit und Detektionsgenauigkeit bei der Erkennung von KI-generierten Bildern erreicht.
Die Arbeit stellt HyPER-GAN vor, einen leichten U-Net-basierten Generator für die Echtzeit-Bild-zu-Bild-Übersetzung, der durch eine hybride Trainingsstrategie mit realen Bildpatches die photorealistische Qualität und semantische Konsistenz synthetischer Daten verbessert, ohne dabei die Inferenzgeschwindigkeit zu beeinträchtigen.
Das Paper stellt TopGen vor, ein robustes lernbasiertes Framework, das durch die parallele Vorhersage von strukturellen Layouts und Kreuzfeldern hochwertige Vierecksnetze generiert und dabei die Effizienz sowie die Editierbarkeit bestehender Methoden deutlich verbessert.
Die vorgestellte Arbeit stellt eine neue Methode zum Schutz von Industriesteuerungssoftware vor, die Physically Unclonable Functions (PUFs) für eine hardwaregebundene Ausführung nutzt und durch symbolische Ausführung sicherstellt, dass Sicherheitsgarantien auch bei Abweichungen oder Reverse-Engineering-Angriffen gewahrt bleiben.
Die Arbeit stellt Touch G.O.G. vor, ein kompaktes System mit einem visionbasierten taktilen Greifer und einem KI-gestützten Wahrnehmungsrahmen, das die bimanuelle Manipulation von Stoffen mit nur einem Roboterarm ermöglicht und dabei hohe Genauigkeit bei der Kantenlokalisierung sowie zuverlässiges Entfalten von zerknitterten Textilien demonstriert.
Die Arbeit stellt AdaClearGrasp vor, ein geschlossenes Regelungsframework, das mithilfe eines vortrainierten Vision-Language-Modells und Reinforcement Learning adaptive Entscheidungen zwischen direktem Greifen und dem Räumung von Hindernissen trifft, um das dexteröse Greifen in stark überfüllten Umgebungen ohne vorheriges Training zu ermöglichen.
Dieser Artikel fasst die erste Ausgabe des QuantumX-Tracks der JISBD 2025 zusammen, die als bahnbrechendes Forum diente, um die Konvergenz von Quantencomputing und Softwaretechnik zu fördern, die Beiträge und Forschungsnetzwerke zu synthetisieren und die Position Spaniens im europäischen und globalen Ökosystem der Quantensoftware zu stärken.
Die Arbeit stellt ExBI vor, ein neues System, das mithilfe eines Hypergraphen-Datenmodells und sampling-basierter Algorithmen die Grenzen traditioneller Business-Intelligence-Systeme überwindet, indem es dynamische Schemata ermöglicht und bei gleichbleibend hoher Genauigkeit signifikante Geschwindigkeitsvorteile gegenüber etablierten Datenbanken wie Neo4j und MySQL erzielt.
Diese Arbeit stellt eine neuartige Methode vor, die es ermöglicht, die Ozaki-II-Scheme zur Emulation von FP64-Matrixmultiplikation auf FP8-MMA-Einheiten anzuwenden, wodurch im Vergleich zum Ozaki-I-Ansatz die Anzahl der erforderlichen FP8-Multiplikationen signifikant reduziert und eine effiziente Berechnung auf zukünftigen GPU-Architekturen ermöglicht wird.
Die Arbeit stellt Q-StaR vor, ein quasi-statisches Routing-Schema für Networks-on-Chip, das durch die Analyse von Topologie und Verkehrsmustern den Lastausgleich verbessert, während es Einfachheit und Vorhersagbarkeit bewahrt.
Das Paper Splat2Real adressiert die Herausforderung der viewpoint shift bei Physical AI, indem es ein Curriculum-Lernverfahren namens CN-Coverage einführt, das durch die intelligente Auswahl neuartiger Ansichten mittels 3D-Gaussian-Splatting die Robustheit monokularer Tiefenschätzung verbessert.
Die Arbeit stellt skalierbare MPC-Algorithmen vor, die in stark sublinearer Speicherkapazität Graphenorientierungen und -färbungen in Abhängigkeit von der Subgraphendichte berechnen und dabei die Rundenzahl von auf senken.
Dieses Paper stellt einen agenticen Rahmen für das ESG-Berichtswesen vor, der mithilfe von KI-Agenten und Large Language Models den gesamten Lebenszyklus von der Identifizierung bis zur Verbesserung automatisiert, um statische Berichterstattung in ein dynamisches und anpassungsfähiges System für Nachhaltigkeitsgovernance zu verwandeln.
Die Arbeit stellt SLiM vor, ein neuartiges, dekodiererfreies Framework für das Lernen von Skelettdarstellungen, das Masked Modeling und Contrastive Learning vereint, um durch semantische Rohrmaskierung und skelettspezifische Augmentierungen sowohl state-of-the-art Genauigkeit als auch eine um den Faktor 7,89 reduzierte Inferenzkosten im Vergleich zu herkömmlichen MAE-Methoden zu erreichen.
Diese Studie analysiert systematisch die Auswirkungen verschiedener Designentscheidungen auf die Leistung von Erdbeobachtungs-Embeddings in GeoFM-basierten Workflows und zeigt, dass Transformer-Architekturen mit Mean Pooling sowie die Kombination mehrerer Selbstüberwachungs-Ziele robuste und extrem kompakte Repräsentationen für skalierbare Anwendungen liefern.
Diese Arbeit stellt ein kostengünstiges, berührungsloses Abfallsystem vor, das auf einem STM32-Mikrocontroller basiert und durch Ultraschallsensoren sowie einen Servomotor eine automatische, hygienische Abfallentsorgung mit Echtzeit-Statusanzeige ermöglicht.