3973 Arbeiten
Das Paper stellt SPEX vor, ein multimodales Vision-Language-Modell, das mithilfe des neuartigen SPIE-Datensatzes und spezieller Trainingsstrategien erstmals spektrale Informationen nutzt, um eine präzise, instruktionsgesteuerte Landbedeckungsextraktion aus multispektralen Fernerkundungsbildern mit erklärenden Texten zu ermöglichen.
Diese Arbeit stellt die erste Bewertung von 3D-Gaussian-Splatting-Methoden auf realen Fisheye-Bildern mit einem Sichtfeld über 180° vor, zeigt, dass 160° die optimale Balance zwischen Abdeckung und Qualität bieten, und führt eine neue, auf UniK3D basierende Tiefen-Initialisierung ein, die die oft fehlschlagende SfM-Initialisierung bei extremen Verzerrungen erfolgreich ersetzt.
Diese Studie präsentiert eine experimentelle Validierung von mathematisch nachweisbar verdeckter Funkkommunikation mittels Software-Defined Radios, die die theoretischen Grenzen des Quadratwurzelgesetzes bestätigt und praktische Implementierungsmöglichkeiten eröffnet.
Die Autoren stellen ein einheitliches, semantisch fundiertes Framework vor, das durch das Erlernen eines domainsunabhängigen probabilistischen Mannigfaltigkeitsraums anatomischer Regularitäten sowohl source-accessible als auch source-free Domain-Adaptation für die medizinische Bildsegmentierung ermöglicht und dabei state-of-the-art-Ergebnisse in beiden Szenarien erzielt.
Das Paper stellt Video-EM vor, ein trainingsfreies Framework, das durch die Orchestrierung von LLMs und Werkzeugen zur ereignisbasierten Konstruktion und Verfeinerung einer kompakten episodischen Gedächtnisrepräsentation die Herausforderungen des Verständnisses langer Videos für bestehende Video-LLMs löst.
Die Arbeit stellt UniUGG vor, das erste einheitliche Framework für das Verständnis und die Generierung von 3D-Daten, welches durch einen räumlichen Decoder auf Basis eines latenten Diffusionsmodells und eine geometrisch-semantische Lernstrategie hochwertige 3D-Szenen erzeugt und räumliche VQA-Aufgaben löst.
Das Paper stellt UniCast vor, ein parameter-effizientes multimodales Framework, das durch instanzbedingtes Prompting und dynamisches Modality-Routing bestehende Zeitreihen-Grundmodelle erweitert, um deren Vorhersagegenauigkeit durch die adaptive Integration von Zeitreihen-, Bild- und Textdaten zu steigern.
Diese Arbeit stellt einen effizienten, diffusionsbasierten Rahmen für die 3D-Menschliche-Pose-Schätzung vor, der durch eine hierarchische zeitliche Beschneidungsstrategie (HTP) den Rechenaufwand erheblich reduziert und gleichzeitig eine state-of-the-art Leistung erzielt.
Die Arbeit stellt PointSlice vor, eine neuartige, auf horizontalen Schnitten basierende Methode zur 3D-Objekterkennung aus Punktwolken, die durch eine effiziente 2D-Datenrepräsentation und ein Slice-Interaktions-Netzwerk (SIN) eine überlegene Balance zwischen Detektionsgenauigkeit und Inferenzgeschwindigkeit im Vergleich zu herkömmlichen Voxel- und Säulen-basierten Ansätzen erreicht.
Das Paper stellt AmphiKey vor, ein hybrides Post-Quantum-Authentifizierungsprotokoll für Smart Grids, das zwei Betriebsmodi (authentifiziert und ablehnbar) kombiniert und durch eine umfassende Leistungsbewertung auf heterogenen Testumgebungen sowohl hohe Sicherheit als auch Effizienz nachweist.
Der Artikel stellt ein neues Paradigma namens MixMFL sowie ein darauf aufbauendes Framework namens MDM-MixMFL vor, das durch Modality-Decoupling und einen Modality-Memorizing-Mechanismus die Herausforderungen der Heterogenität bei dezentralen, multimodalen MRI-Bildsegmentierungsaufgaben in verteilten Krankenhäusern löst.
Die Studie stellt UltraUPConvNet vor, einen rechen-effizienten Multi-Task-Deep-Learning-Ansatz auf Basis von UPerNet und ConvNeXt, der gleichzeitig die Gewebesegmentierung und die Krankheitsvorhersage in Ultraschallbildern mit state-of-the-art-Leistung und geringerem Rechenaufwand ermöglicht.
Die Arbeit stellt Traffic-MLLM vor, ein retrieval-freies Framework für multimodales Verkehrsreasoning, das durch curiosity-gesteuertes, überwachtes Lernen auf einer multi-quelligenen Datenbasis eine generalisierbare Fallraum-Repräsentation erlernt und damit die Robustheit von autonomen Fahrsystemen in langschwanzigen Szenarien verbessert.
Der Artikel stellt ActivePose vor, ein aktives System zur 6D-Pose-Schätzung und -Verfolgung, das Vision-Language-Modelle mit „robotischer Imagination" und Diffusionsrichtlinien kombiniert, um durch dynamische Kamerabewegungen und Next-Best-View-Strategien Mehrdeutigkeiten in Echtzeit aufzulösen und die Sichtbarkeit von Objekten zu gewährleisten.
Inspiriert vom Schlammfisch zeigt diese Studie, dass die aktive Schwanzbewegung eines Roboters den Untergrund aufweicht, wodurch der Widerstand verringert und die Fortbewegungsgeschwindigkeit auf deformierbarem Sand um 67 % gesteigert wird.
Die Arbeit stellt SAGA vor, eine Methode zur selektiven adaptiven Gating, die die Effizienz und Ausdruckskraft linearer Aufmerksamkeit für Vision-Transformer verbessert, indem sie durch lernbare Gatter die uniforme Kompression von Key-Value-Informationen vermeidet und so sowohl die Rechenleistung als auch die Genauigkeit bei der Verarbeitung hochauflösender Bilder signifikant steigert.
Die Arbeit stellt den Cumulative Consensus Score (CCS) vor, eine modellunabhängige und annotierungsfreie Metrik, die durch Messung der räumlichen Konsistenz von Bounding-Box-Vorhersagen über Testzeit-Augmentierungen hinweg die Zuverlässigkeit von Objektdetektoren im Einsatz überwacht und dabei eine hohe Übereinstimmung mit etablierten Qualitätsmaßen aufweist.
Die Studie stellt WHU-STree vor, ein umfassendes, multimodales Benchmark-Datenset mit synchronisierten Punktwolken und hochauflösenden Bildern aus zwei Städten, das über 21.000 annotierte Straßenbäume umfasst und als Grundlage für die Automatisierung der Bestandsaufnahme sowie die Erforschung von Multi-Modalitäts- und Domänenanpassungsmethoden dient.
Die Autoren stellen ein asynchrones Reinforcement-Learning-Framework vor, das durch die Entkopplung von Wahrnehmung und Steuerung sowie die Verwendung eines temporalen Kodierungsmoduls hochfrequente, agile autonome Navigation von Luftfahrzeugen in komplexen Umgebungen trotz verzögerter Sensorik ermöglicht und erfolgreich in der realen Welt demonstriert wurde.
GeoAware-VLA ist ein Ansatz, der durch die Integration vorgefertigter geometrischer Merkmale in die visuelle Verarbeitung die Generalisierungsfähigkeit von Vision-Language-Action-Modellen auf neue Kameraperspektiven erheblich verbessert, ohne dabei die Leistung im Trainingsbereich zu beeinträchtigen.