3885 Arbeiten
Die Studie zeigt, dass bei der Schätzung von Weidebiomasse auf kleinen Datensätzen einfache, lokale Fusionsmodule (wie gatede Tiefenkonvolutionen) komplexe Architekturen wie SSMs oder Cross-View-Attention-Transformer übertreffen und die Qualität des Backbone-Modells den entscheidenden Einflussfaktor darstellt.
Die vorgestellte Arbeit entwickelt ein Transfer-Learning-Framework mit zwei Optimierungsstufen, das einen universellen Merkmalsextraktor und einen domänenspezifischen Adapter kombiniert, um bei unterabgetasteten MRT-Bildern auch mit begrenzten Trainingsdaten hochwertige Rekonstruktionen zu erzielen.
Die Arbeit stellt den ersten groß angelegten Datensatz für VR-Gaze-Schätzung namens VRGaze sowie das darauf aufbauende, unüberwachte Framework GazeShift vor, das ohne manuelle Annotationen präzise und echtzeitfähige Blickverfolgung in VR-Headsets ermöglicht.
Diese Arbeit stellt eine trainingsfreie Methode zur zeitlichen Objektverfolgung in laparoskopischen Cholezystektomie-Videos vor, die vortrainierte Text-zu-Bild-Diffusionsmodelle nutzt, um kritische anatomische Strukturen und Instrumente ohne Feinabstimmung präzise zu lokalisieren und zu verfolgen.
SoundWeaver ist ein trainingfreies, modellunabhängiges Serving-System, das die Latenz von Text-zu-Audio-Diffusionsmodellen durch das Warm-Starten mit semantisch ähnlichen, zwischengespeicherten Audiodaten um das 1,8- bis 3,0-Fache reduziert, ohne die wahrgenommene Klangqualität zu beeinträchtigen.
Diese Arbeit stellt ein Contrastive Tensor Pre-training (CTP)-Framework vor, das durch die Erweiterung der herkömmlichen paarweisen Ähnlichkeitsberechnung auf einen multimodalen Ähnlichkeitstensor eine einheitliche Ausrichtung von Text-, Bild- und Punktwolken-Daten in einem gemeinsamen Embedding-Raum ermöglicht, um die Leistung autonomer Fahrzeuge zu verbessern.
Die Arbeit stellt VLM-SubtleBench vor, einen Benchmark, der Vision-Language-Modelle anhand feiner Unterschiede in vielfältigen Domänen wie Industrie, Medizin und Luftaufnahmen bewertet und dabei signifikante Leistungslücken im Vergleich zum menschlichen Urteilsvermögen aufdeckt.
Die Autoren stellen SPAD vor, einen struktur- und fortschrittsbewussten Diffusionsansatz für die medizinische Bildsegmentierung, der durch einen schrittweisen Übergang von der Lernphase grober anatomischer Strukturen hin zur Verfeinerung feiner Grenzen eine zuverlässigere Zielvorhersage ermöglicht.
Die vorgestellte Arbeit nutzt die Bildsegmentierung als visuelles Testfeld für die Koalitionsbildung in hedonischen Spielen, indem sie Pixel als Agenten modelliert und untersucht, wie ein Granularisierungsparameter die Gleichgewichtsstruktur und die Trennung von Vordergrundobjekten beeinflusst.
Die Studie stellt MINT vor, ein Feinabstimmungsframework, das räumliche Transkriptomik-Supervision in vortrainierte Pathologie-Vision-Transformer integriert, um morphologische Darstellungen mit molekularen Zuständen zu verbinden und so die Leistung bei der Genexpressionsvorhersage sowie bei allgemeinen Pathologieaufgaben zu verbessern.
Die Arbeit stellt E²OAL vor, ein einheitliches und detektorfreies Framework für das Open-Set Active Learning, das durch die Nutzung von gelabelten unbekannten Klassen, eine Dirichlet-kalibrierte Hilfskopf-Architektur und eine zweistufige Abfragestrategie sowohl die Genauigkeit als auch die Effizienz bei der Identifizierung informativer Stichproben in offenen Szenarien signifikant verbessert.
Diese Arbeit stellt ein konzeptgesteuertes bayesisches Framework für die Zero-Shot-Bilderkennung vor, das durch eine mehrstufige LLM-gestützte Konzeptsynthese und eine adaptive, outlier-resistente Likelihood-Funktion die Grenzen heuristischer Prompting-Methoden überwindet und dabei trainingsfreie Robustheit sowie theoretische Garantien bietet.
Die Arbeit stellt einen effizienten, auf einer direkten Transformationsstrategie basierenden Lernverfahren für Videokompression vor, der durch einen kaskadierten Mamba-Modul mit eingebetteten geometrischen Transformationen und ein lokales Verfeinerungsnetzwerk sowohl langreichweitige als auch lokale Abhängigkeiten erfasst und dabei den aktuellen State-of-the-Art in Bezug auf die wahrgenommene Qualität und zeitliche Konsistenz bei niedrigen Bitraten übertrifft.
Dieser Beitrag stellt einen unmixing-basierten Fusionsrahmen vor, der durch spektrale Entmischung und ein deformierbares Aggregationsmodul die Super-Resolution von nicht registrierten hyperspektralen Bildern verbessert und dabei den Einfluss fehlender Registrierung mindert.
Die Arbeit stellt RLPR vor, ein robustes Framework für die standortbasierte Erkennung zwischen Radar und LiDAR, das durch einen dualen Netzwerkansatz und eine zweistufige asymmetrische Kreuzmodalitätsausrichtung (TACMA) wetterunabhängige Lokalisierung in autonomen Fahrzeugen ermöglicht und dabei State-of-the-Art-Ergebnisse sowie starke Generalisierungsfähigkeiten erzielt.
Die Arbeit stellt IMSE vor, eine Testzeit-Anpassungsmethode, die durch die SVD-basierte Anpassung nur der Singulärwerte von Vision-Transformern und eine Diversitätsmaximierung zur Vermeidung von Feature-Collapse sowie durch domänenspezifischen Code-Retrieval für kontinuierliche Szenarien einen State-of-the-Art-Erfolg bei gleichzeitig drastisch reduzierter Anzahl trainierbarer Parameter erzielt.
Die vorgestellte Arbeit stellt einen hybriden Vision-Transformer-Ansatz mit 2D-Positionscodierung und einem Coverage-Attention-Decoder vor, der auf dem IM2LATEX-100K-Datensatz einen neuen State-of-the-Art mit einem BLEU-Score von 89,94 für die Erkennung mathematischer Ausdrücke erreicht.
Diese Studie untersucht, wie gut Vision-Language- und Large-Language-Modelle handgezeichnete Automatendiagramme in TikZ-Code umwandeln können, und zeigt, dass menschliche Korrektur der von Modellen generierten Beschreibungen für die Erstellung präziser digitaler Diagramme unerlässlich ist.
Die Arbeit stellt vor, ein neuartiges, offline-vorverarbeitungs-freies Framework für die visuelle Lokalisierung, das durch direkte Online-3D-Rekonstruktion und nachfolgende Skalierungswiederherstellung eine hohe Genauigkeit und Robustheit in spärlichen Szenen erreicht.
Der Artikel stellt VisualAD vor, ein rein visuelles Zero-Shot-Verfahren zur Anomalieerkennung, das ohne Textencoder auskommt und durch lernbare Tokens sowie spezielle Aufmerksamkeitsmechanismen in Vision-Transformern einen neuen State-of-the-Art auf 13 Benchmarks erreicht.