1863 Arbeiten
Die Studie stellt mit PET-F2I-41K einen umfassenden Benchmark für die Generierung von PET/CT-Befunden vor und zeigt, dass ein mittels LoRA feinabgestimmtes, parameter-effizientes 7B-Modell (PET-F2I-7B) in Bezug auf diagnostische Vollständigkeit und faktenbasierte Zuverlässigkeit deutlich besser abschneidet als bestehende Zero-Shot-Modelle.
Das Paper stellt UniStitch vor, ein bahnbrechendes Framework, das durch die Entwicklung eines Neural Point Transformer und eines Adaptive Mixture of Experts Moduls handgefertigte geometrische Merkmale mit semantischen Merkmalen neuronaler Netze vereint, um den aktuellen State-of-the-Art bei der Bildstitching-Genauigkeit deutlich zu übertreffen.
Die Arbeit stellt R4-CGQA vor, ein retrieval-basiertes Framework für Vision-Language-Modelle, das durch die Einführung eines neuen Datensatzes mit sechs Qualitätsdimensionen und einer zweistromigen Abrufarchitektur die Bewertung und textbasierte Erklärung der Bildqualität von Computergrafiken signifikant verbessert.
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.
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 MUNIChus vor, das erste multilinguale Benchmark für die Bildunterschriftenerstellung in Nachrichten mit neun Sprachen, einschließlich ressourcenarmer Sprachen wie Singhalesisch und Urdu, um die Entwicklung und Evaluierung mehrsprachiger Modelle zu fördern.
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 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.
Die Arbeit stellt ROVA, ein Trainingsframework, und PVRBench, einen neuen Benchmark, vor, um die Robustheit von Video-Reasoning-Modellen gegenüber realen Störungen wie Wetter und Verdeckungen zu verbessern und dabei signifikante Genauigkeits- sowie Schlussfolgerungsgewinne zu erzielen.
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 eine effiziente, pipelinierte FPGA-Architektur für die Verschiebungsvektorsuche im Intra-Pattern-Copy-Modul von JPEG XS vor, die durch optimierte Speicherorganisation eine hohe Durchsatzrate von 38,3 Megapixeln pro Sekunde bei geringem Energieverbrauch erreicht und somit die praktische Hardware-Implementierung ermöglicht.
Das Paper stellt A-Edit vor, ein einheitliches Inpainting-Framework, das mithilfe des neuartigen UniEdit-500K-Datensatzes, eines Mixture-of-Transformer-Moduls und einer Mask-Annealing-Trainingsstrategie präzises, referenzgesteuertes Bearbeiten beliebiger Objekte mit nur groben Masken ermöglicht und dabei den aktuellen Stand der Technik übertrifft.
Die Arbeit stellt MapGCLR vor, eine Methode zur halbüberwachten, vektorisierten Online-HD-Kartenkonstruktion für autonome Fahrzeuge, die durch geospatiale kontrastives Lernen und die Nutzung von Mehrfachüberquerungen die Leistung gegenüber rein überwachten Baselines verbessert.
Die Arbeit stellt BorderNet vor, ein auf mathematischen Modellen der visuellen Kortexverarbeitung basierendes CNN, das durch speziell entworfene Filter die Robustheit gegenüber Bildokklusionen verbessert.
Die Arbeit stellt RandMark vor, eine Methode zur Verifizierung des Eigentums an visuellen Fundamentmodellen, die durch zufälliges Einbetten digitaler Wasserzeichen in interne Repräsentationen eine zuverlässige Erkennung von Funktionskopien bei gleichzeitig geringer Fehlerrate ermöglicht.
Das Paper stellt UniCom vor, ein einheitliches Multimodal-Modell, das durch komprimierte kontinuierliche semantische Repräsentationen und eine Transfusionsarchitektur die Lücke zwischen visuellem Verständnis und Generierung schließt und dabei state-of-the-art Ergebnisse in Bildgenerierung und -bearbeitung erzielt.
Das Paper stellt WalkGPT vor, ein pixelbasiertes Vision-Language-Modell mit Tiefenwahrnehmung und Segmentierungsfähigkeiten, das zusammen mit dem neuen Benchmark PAVE zuverlässige, zugängliche Navigationshinweise für Fußgänger in komplexen städtischen Umgebungen generiert.
Die Arbeit stellt CTCNet vor, ein neuartiges, cross-spektrales Netzwerk mit Wissens-Einbettung und spektraler Kompensation für eine robuste UAV-Verkehrsszenenanalyse unter schwierigen Lichtverhältnissen, und stellt gleichzeitig Traffic-VQA, den ersten großskaligen optisch-thermischen Benchmark für kognitive Verkehrsverständnis-Aufgaben, vor.