3625 Arbeiten
Die Studie zeigt, dass die asymmetrische Wissensdistillation von einem großen Vision Transformer auf stark kapazitätsbeschränkte CNNs zu einem drastischen Zusammenbruch der effektiven Dimensionalität führt, der die inhärente Rauschrobustheit des Lehrmodells fundamental zerstört und durch eine Informationstheorie-Trade-off zwischen Kapazität und Stabilität erklärt wird.
Die Arbeit stellt gRef-CW, den ersten Datensatz für generalisiertes visuelles Grounding in der Landwirtschaft, und das darauf aufbauende modulare Framework Weed-VG vor, um die Herausforderungen bei der Instanzlokalisierung von Kulturpflanzen und Unkräutern unter Feldbedingungen zu bewältigen.
Die Arbeit stellt SIQA vor, ein neues Framework zur Bewertung wissenschaftlicher Bildqualität, das neben der visuellen Wahrnehmung auch die wissenschaftliche Korrektheit und Vollständigkeit prüft und dabei zeigt, dass Multimodal-Modelle zwar Expertenbewertungen gut nachahmen können, aber oft das zugrundeliegende wissenschaftliche Verständnis fehlt.
Die Arbeit zeigt, dass herkömmliche multimodale Sprachmodelle für räumliche Intelligenz ohne Berücksichtigung von Kameraparametern nicht verallgemeinerbar sind, und stellt ein neues, kamera-bewusstes Framework vor, das durch die Integration von Kameraintrinsiken, datenaugmentierte Trainingsstrategien und das Destillieren geometrischer Priors eine robuste Generalisierung über verschiedene Kameras hinweg ermöglicht.
Diese Studie zeigt, dass die Anwendung von konformalisierter Quantilregression auf tiefen Lernmodellen zur Vorhersage von Sonneneruptionen zuverlässigere Konfidenzintervalle liefert als herkömmliche Methoden und so die Verlässlichkeit der Weltraumwettervorhersage verbessert.
Die vorgestellte Arbeit führt das neue Paradigma der universellen Wasserzeichen-Präsenzerkennung (UWPD) ein, das mithilfe des neu erstellten UniFreq-100K-Datensatzes und des vorgeschlagenen Frequency Shield Networks (FSNet) eine algorithmenunabhängige Erkennung unsichtbarer Wasserzeichen ohne vorheriges Wissen über die Einbettungsmethode ermöglicht.
Das Paper stellt HERO vor, ein neues Framework für die offene Vokabular-basierte zeitliche Verankerung von Sätzen in Videos, das durch hierarchische Embeddings und parallele multimodale Verfeinerung die Generalisierungsfähigkeit bestehender Methoden verbessert und durch die Einführung der Benchmarks Charades-OV und ActivityNet-OV ein neues Forschungsgebiet erschließt.
Die Studie stellt einen neuen Deep-Learning-Ansatz vor, der durch die Integration von vessel-spezifischen Tortuositäts- und Dropout-Karten aus OCTA-Daten die Früherkennung der altersbedingten Makuladegeneration (AMD) verbessert und dabei klinisch relevante Gefäßbiomarker für eine interpretierbare Diagnose nutzt.
Die Arbeit stellt ein effizientes Framework für heterogene dezentrale Diffusionsmodelle vor, das durch die Kombination unterschiedlicher Trainingsziele (DDPM und Flow Matching), eine innovative Umrechnung zur Inferenz und eine optimierte Architektur den Rechenaufwand im Vergleich zu vorherigen Ansätzen um das 16-fache senkt und gleichzeitig die Bildqualität sowie die Vielfalt verbessert.
ButterflyViT überwindet die lineare Speicherskalierung von Mixture-of-Experts-Vision-Transformern für Edge-Geräte, indem es Experten als geometrische Reorientierungen eines gemeinsamen quantisierten Substrats darstellt und so bei 64 Experten eine 354-fache Speicherreduktion bei vernachlässigbarem Genauigkeitsverlust erreicht.
Die Studie stellt XMACNet vor, einen leichten, erklärbaren und multimodal fusionierenden CNN-Ansatz, der auf EffizientNetV2S basiert und RGB-Bilder mit Vegetationsindizes kombiniert, um Chili-Krankheiten mit hoher Genauigkeit zu klassifizieren und für den Einsatz an der Edge zu optimieren.
Das Paper stellt EarthBridge vor, ein hochpräzises Framework für die multimodale Bildübersetzung zwischen EO-, IR- und SAR-Sensoren, das auf Diffusion Bridge Implicit Models und Contrastive Unpaired Translation basiert und beim 4. Multi-modal Aerial View Image Challenge den zweiten Platz belegte.
Das Paper stellt HiDE vor, ein hierarchisches, wörterbuchbasiertes Entropiemodell für das gelernte Bildkomprimieren, das durch die kaskadierte Nutzung globaler und lokaler externer Priors sowie einen kontextbewussten Parameterschätzer die Bitrate im Vergleich zu bestehenden Methoden signifikant reduziert.
Diese Studie stellt ein hybrides Machine-Learning-Modell vor, das durch die Kombination von drei CNN-Architekturen (VGG19, Efficient-Net, ResNet50) und einem Bi-LSTM-Klassifikator eine Genauigkeit von 98,83 % bei der Früherkennung von Zerebralparese mittels MRT-Bildern erreicht.
Die Studie zeigt, dass die Fähigkeit von Vision-Language-Modellen, ihre Zwischenschritte konsistent mit visuellen Eingaben zu verankern (Step Grounding Rate), ein stärkerer Prädiktor für ihre Generalisierungsfähigkeit bei Out-of-Distribution-Szenarien ist als die reine Endantwortgenauigkeit.
Die Arbeit stellt MotionBits vor, ein neuartiges, semantikunabhängiges Konzept zur Segmentierung von starren Körpern basierend auf kinematischer Äquivalenz, das zusammen mit dem Benchmark MoRiBo und einer lernfreien Graphenmethode die Wahrnehmung für robotische Manipulation und embodied Reasoning signifikant verbessert.
Diese Arbeit stellt einen neuen aktiven View-Selection-Ansatz namens Perturbed Gaussian Ensemble vor, der durch die stochastische Skalierung von Gaussschen Primitive eine Unsicherheitsmodellierung ermöglicht, um bei der tomographischen Rekonstruktion aus wenigen Aufnahmen die geometrischen Artefakte zu minimieren und die Bildqualität zu verbessern.
Diese Arbeit identifiziert ein erweitertes topologisches Modell für hochkontrastierende optische Fluss-Patches, das auf der Theorie von Kreisbündeln basiert und zeigt, dass die meisten hochkontrastierenden Patches nahe an Kreisen für binäre Stufenkanten liegen, was die Grenzen vorheriger Torus-Modelle erklärt und neue Einblicke in die Beziehung zwischen Topologie und Geometrie bei der visuellen Inferenz liefert.
Das Paper stellt ColonSplat vor, ein dynamisches Gaussian-Splatting-Framework, das zusammen mit dem neuen synthetischen Datensatz DynamicColon eine präzise 3D-Rekonstruktion der peristaltischen Bewegung während der Koloskopie unter Wahrung der globalen geometrischen Konsistenz ermöglicht.
Die Arbeit stellt IGLU vor, eine parametrische Aktivierungsfunktion, die als Skalenmischung von GELU-Toren unter einer Halbnormalverteilung abgeleitet wird und durch ihren schweren Cauchy-Schwanz verbesserte Gradientenstabilität sowie eine effiziente rational approximierbare Variante bietet, die auf verschiedenen Datensätzen konkurrenzfähige oder überlegene Ergebnisse gegenüber ReLU und GELU erzielt.