2528 Arbeiten
Die Studie stellt das kostengünstige, modulare Kamerasystem CSLICS vor, das mithilfe von Computer-Vision-Techniken und menschlicher Rückkopplung die automatisierte Zählung von Korallenlaich ermöglicht und damit den manuellen Aufwand bei der Riffrestaurierung drastisch reduziert sowie die Überwachung der Larvengesundheit verbessert.
Diese Arbeit stellt eine unüberwachte Methode vor, die durch die Identifizierung von Entschlüsselungsrichtungen mittels Aktivierungs-Clustering und die Schätzung von Verschlüsselungsrichtungen über Signalvektoren sowie Uncertainty Region Alignment die latenten Mechanismen zur Kodierung und Dekodierung von Konzepten in Deep-Vision-Netzwerken aufdeckt, um deren Black-Box-Charakter zu durchdringen und interpretierbare Eingriffe zu ermöglichen.
Das Paper stellt LLaVAShield vor, ein Sicherheitsframework für multimodale Mehrdialoge, das zusammen mit dem MMDS-Datensatz und dem MMRT-Red-Teaming-Ansatz entwickelt wurde, um die Grenzen bestehender Inhaltsmoderation zu überwinden und VLMs effektiver vor komplexen, kontextabhängigen Risiken zu schützen.
Diese Studie überwindet die Datenlücke für den französischen Stadtflächenwandel vor den 1970er-Jahren, indem sie eine skalierbare Deep-Learning-Pipeline mit einem zweistufigen U-Net-Ansatz entwickelt, um aus historischen Karten (1925–1950) erstmals einen flächendeckenden, offenen Datensatz urbaner Strukturen für ganz Frankreich zu erstellen.
Die Autoren stellen einen Echtzeit-Bézier-basierten MPC-CLF-CBF-Planungsalgorithmus vor, der die Konnektivität von Multi-Roboter-Schwärmen in komplexen Umgebungen durch gleichzeitige Trajektorien- und Regelungsplanung sicherstellt, Deadlocks vermeidet und bei Verbindungsverlusten eine erfolgreiche Wiederherstellung ermöglicht.
Die Arbeit stellt LARA-Gen vor, ein Framework, das durch die Ausrichtung latenter affektiver Repräsentationen und die Nutzung eines kontinuierlichen Valenz-Arousal-Raums eine präzise, kontinuierliche Emotionssteuerung in Text-zu-Musik-Modellen ermöglicht und dabei Text-Prompts umgeht.
Diese Arbeit stellt eine effiziente, asset-zentrische metrisch-semantische Kartierungsmethode für Innenräume vor, die mit einem Unitree Go2-Roboter detaillierte Objektmeshes erstellt, um sowohl eine höhere Genauigkeit als auch eine bessere LLM-Integration für semantische Navigation zu erreichen als bestehende Ansätze.
Die Arbeit stellt NaviGait vor, ein hierarchisches Framework, das Trajektorienoptimierung mit Deep Reinforcement Learning kombiniert, um durch die Auswahl und minimale Anpassung von Gait-Bibliotheken robuste, intuitive und schnell trainierbare Laufsteuerungen für bipede Roboter zu erzeugen.
Die vorgestellte Arbeit stellt ein Echtzeit-Neurales-Videokompressions-Framework mit vereinheitlichter Intra- und Inter-Codierung vor, das durch die adaptive Verarbeitung jedes Einzelbildes in einem einzigen Modell sowie eine simultane Zwei-Bild-Kompression Probleme wie Disokklusion und Fehlerfortpflanzung löst und dabei eine signifikant bessere Kompressionseffizienz als DCVC-RT bei gleichzeitiger Wahrung der Echtzeitfähigkeit erreicht.
Die Arbeit stellt PULL vor, einen leichten, vollständigen Algorithmus mit -Laufzeit pro Schritt, der das Problem des verbundenen, unbeschrifteten Multi-Agenten-Pfadfindens (CUMAPF) für Hunderte von Agenten effizient löst und dabei die Skalierbarkeitsgrenzen von ILP-Methoden überwindet.
Diese Arbeit widerlegt die Annahme, dass reaktives Neuplanen zwingend eine Aktualisierung bestehender Pläne erfordert, und zeigt, dass stattdessen eine Abfolge unabhängiger Probleme mit schnellen, fast sicher asymptotisch optimalen Algorithmen wie EIT* effizienter gelöst werden kann.
Diese Studie zeigt, dass die Auswahl eines geeigneten Teilsets von Körpermarkierungen in Kombination mit einer Spline-basierten Imputation die Genauigkeit der Erkennung isolierter Gebärden der brasilianischen Gebärdensprache (LIBRAS) auf das Niveau modernster Methoden hebt und gleichzeitig die Verarbeitungszeit im Vergleich zu früheren Ansätzen um das Fünffache reduziert.
Die Arbeit stellt FRIDA vor, ein leichtgewichtiges Framework, das Merkmale eines vortrainierten Stable-Diffusion-Modells nutzt, um KI-generierte Bilder ohne Training zu erkennen und deren Ursprungsmodell zuzuordnen.
Das Paper stellt EgoMI vor, ein Framework, das durch die Nachahmung synchronisierter Kopf- und Handbewegungen aus egozentrischen menschlichen Demonstrationen die Embodiment-Lücke überbrückt und so die robuste Imitationslernen auf halb-humanoiden Robotern mit aktiven Kameras ermöglicht.
Die Arbeit stellt SPAN vor, eine Methode zur monokularen 3D-Objekterkennung, die durch räumliche Punkt- und 3D-2D-Projektionsausrichtung die geometrische Inkonsistenz decoupled-basierter Ansätze behebt und so die Leistung bestehender Detektoren signifikant verbessert.
Die Arbeit stellt V-Attack vor, eine neue Methode zur gezielten adversarialen Manipulation von Large Vision-Language Models (LVLMs), die durch die Ausnutzung entwirrter Wertmerkmale (Value Features) statt verknüpfter Patch-Tokens eine bisher unerreichte Kontrolle über lokale Bildsemantik ermöglicht und die Angriffserfolgsrate im Vergleich zu bestehenden Methoden um durchschnittlich 36 % steigert.
Das Paper stellt AFRO vor, ein selbstüberwachtes Framework, das durch die Modellierung von Zustands-Aktions-Dynamiken in einem gemeinsamen latenten Raum ohne explizite geometrische Rekonstruktion oder Aktionsüberwachung dynamische Bewusstsein 3D-Repräsentationen lernt und so die Manipulationserfolgsraten von Robotern in simulierten und realen Umgebungen erheblich 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.
Die Autoren zeigen, dass eine einfache exakte Methode alle klassischen TSPTW-M-Testinstanzen mit 50 oder mehr Kunden in unter zehn Sekunden löst, was beweist, dass diese Benchmarks nicht mehr repräsentativ für die Bewertung von Algorithmen sind und bei der Erstellung von Trainingsdaten für maschinelles Lernen Vorsicht geboten ist.
Die Arbeit stellt AVGGT vor, eine trainingsfreie Zwei-Schritt-Strategie, die durch die Umwandlung früher globaler Aufmerksamkeitsschichten in Frame-Attention und ein Subsampling von K/V-Tokens die Inferenzgeschwindigkeit von VGGT und um das 2- bis 10-fache steigert, ohne dabei die Genauigkeit in dichten Multi-View-Szenarien zu beeinträchtigen.