3740 Arbeiten
Die AgrI Challenge stellt ein datenzentriertes Wettbewerbsframework mit einem neuartigen Cross-Team-Validierungsansatz vor, der durch unabhängige Datensammlung und kollaboratives Training die Generalisierungsfähigkeit von landwirtschaftlichen Vision-Modellen unter realen Feldbedingungen signifikant verbessert.
Die Studie stellt N-Tree Diffusion (NT-Diffusion) vor, ein hierarchisches Diffusionsmodell, das durch das Teilen früher Entnoising-Stufen und das Verzweigen in späteren Phasen die Redundanz bei der probabilistischen Langzeitvorhersage von Waldbrandrisiken reduziert und dabei sowohl die Genauigkeit verbessert als auch die Inferenzkosten senkt.
Die Studie zeigt, dass das Erlernen visueller Diskriminierungsaufgaben bei Makaken die Informationsredundanz in den neuronalen Antworten des visuellen Kortex V4 erhöht, was die Vorhersagen der bayesschen Inferenz stützt und auf einen generativen Verarbeitungsprozess im Gehirn hindeutet.
Die Studie stellt AQuA vor, einen feinabgestuften Datensatz zur Klassifizierung von Ambiguitätsstufen in visuellen Fragen, der es Vision-Language-Modellen ermöglicht, durch Feinabstimmung adaptive und kontextangemessene Antwortstrategien zu entwickeln, anstatt bei Mehrdeutigkeiten übermäßig selbstbewusste Antworten zu geben.
Diese Studie stellt ein interpretierbares 3D-Concept-Bottleneck-Modell vor, das morphologische und hämodynamische klinische Merkmale integriert, um intrakranielle Aneurysmen mit hoher Genauigkeit und ohne Kompromisse bei der klinischen Transparenz zu klassifizieren.
Der technische Bericht stellt VIVECaption vor, einen systematischen Zwei-seitigen Ansatz zur Verbesserung der Bildunterschriftenqualität durch eine umfassende Metrik-Taxonomie, die Erstellung goldstandard-Datensätze und das Fine-Tuning von Modellen, um hochwertige, urheberrechtsfreie Trainingsdaten für generative KI-Modelle zu gewährleisten.
Diese Arbeit schließt die Lücke bestehender Datensätze, indem sie untersucht, wie Vision-Language-Modelle durch gezielte Prompts aussagekräftige Bildunterschriften für einzelne Zahnbilder generieren können, um ein ganzheitliches Verständnis der Zahnmedizin zu ermöglichen.
Das Paper stellt UnSCAR vor, eine skalierbare und kontrollierbare Architektur für die universelle Bildrestauration, die durch einen Multi-Branch-Mixture-of-Experts-Ansatz das Problem des katastrophalen Vergessens bei der gemeinsamen Verarbeitung zahlreicher Degradationen löst und gleichzeitig robuste Generalisierung sowie benutzersteuerbare Ergebnisse ermöglicht.
Das Paper stellt QdaVPR vor, ein neuartiges, abfragebasiertes und domänenagnostisches Modell für die visuelle Ortserkennung, das durch ein duales adversäres Lernframework und eine Triplet-Supervision sowie synthetische Datenaugmentierung in verschiedenen Szenarien mit starken Domänenverschiebungen state-of-the-art Ergebnisse erzielt.
Die Arbeit stellt DTPSR vor, ein neuartiges Diffusions-basiertes Framework für die Bild-Super-Resolution, das durch die Einführung entkoppelter textueller Priors in räumlicher und frequenzbasierten Dimensionen sowie eines entsprechenden Datensatzes (DisText-SR) sowohl die semantische Kontrollierbarkeit als auch die Bildqualität bei der Rekonstruktion von hochauflösenden Bildern aus niederauflösenden Eingaben signifikant verbessert.
Diese Arbeit stellt mit AndroidWorld-Generalization einen neuen Benchmark und ein skalierbares Reinforcement-Learning-System vor, das zeigt, dass RL-basierte VLM-Agenten auf mobilen Geräten zwar signifikant besser auf unbekannte Aufgabeninstanzen generalisieren als überwachte Feinabstimmung, jedoch weiterhin vor erheblichen Herausforderungen bei der Generalisierung auf unbekannte Vorlagen und Anwendungen stehen.
Die Arbeit stellt „Data Agent" vor, einen End-to-End-Framework für die dynamische Datenselektion, der durch eine trainingsbewusste sequenzielle Entscheidungsfindung und adaptive Belohnungssignale das Training beschleunigt und dabei die Leistung erhält oder verbessert.
Der Artikel stellt RPG-SAM vor, einen trainingfreien One-Shot-Ansatz zur Polypensegmentierung, der durch zuverlässigkeitsgewichtete Prototypen und eine geometrisch adaptive Schwellenwertauswahl die Heterogenität in Stütz- und Abfragebildern adressiert und damit die Genauigkeit auf dem Kvasir-Datensatz um 5,56 % verbessert.
Die Arbeit stellt DogWeave vor, ein modellbasiertes Framework, das aus einem einzelnen RGB-Bild hochdetaillierte 3D-Hundemodelle rekonstruiert, indem es parametrische Gitter durch Diffusions-gestützte Normalenoptimierung verfeinert und ungesichtete Bereiche mittels bedingter Inpainting-Techniken realistisch texturiert.
Das Paper stellt Med-Evo vor, ein bahnbrechendes Selbstentwicklungs-Framework für medizinische multimodale Large Language Models, das durch featuregestützte Pseudo-Beschriftung und eine Hard-Soft-Belohnungsfunktion die Leistung ohne zusätzliche annotierte Daten verbessert.
Die Arbeit stellt SLNet vor, einen super-leichtgewichtigen und geometrieadaptiven Backbone für die 3D-Punktwolken-Erkennung, der durch innovative Komponenten wie NAPE und GMU eine hohe Genauigkeit bei deutlich geringerem Rechenaufwand und weniger Parametern als bestehende Modelle erreicht.
Dieser Artikel bietet eine umfassende technische Übersicht über die Entwicklung von Bildgenerierungsmodellen – von VAEs und GANs bis hin zu Diffusionsverfahren – und behandelt dabei deren Architekturen, Trainingsmethoden, Grenzen sowie aktuelle Fortschritte in der Videogenerierung und die Notwendigkeit einer verantwortungsvollen Nutzung.
Das Paper stellt SIGMAE vor, ein spektralindexgestütztes Foundation-Modell für multispektrale Fernerkundungsbilder, das durch eine semantisch salienzgesteuerte dynamische Token-Maskierung (SSDTM) die Vor- und Nachbereitung verbessert und damit andere vortrainierte geospatiale Modelle in verschiedenen Downstream-Aufgaben übertrifft.
Die vorgestellte Arbeit stellt MonoSTL vor, einen selektiven Transfer-Lernansatz, der durch die Integration von Tiefenunsicherheit in neue Destillationsmodule negative Effekte der Modality-Lücke bei der monokularen 3D-Objekterkennung überwindet und damit den aktuellen Stand der Technik auf KITTI und NuScenes übertrifft.
Die Arbeit stellt den neuen Datensatz ThingiPrint vor und zeigt, dass ein kontrastives Feintuning mit rotationsinvariantem Ziel eine effektive, nachtrainierungsfreie Klassifizierung neuartiger 3D-gedruckter Objekte mittels ihrer CAD-Modelle ermöglicht, was die Automatisierung industrieller Nachbearbeitungsprozesse verbessert.