4036 Arbeiten
Die Arbeit stellt SemVID vor, ein trainingsfreies Framework zur semantischen Token-Zuteilung, das durch die Prinzipien der Beweisretention und Verbindungsstärke die Effizienz bei der Video-Temporal-Grounding signifikant steigert, ohne die Genauigkeit zu beeinträchtigen.
Die vorgestellte Arbeit schlägt Gabor-Primitiven vor, die durch Modulation von Gaußschen Hüllkurven mit komplexen Exponentialfunktionen eine effiziente und physikalisch interpretierbare Rekonstruktion von beschleunigter kardialer Cine-MRT aus stark unterabgetasteten Daten ermöglichen und dabei sowohl glatte Strukturen als auch scharfe Kanten besser darstellen als bestehende Methoden.
Die Arbeit stellt OWL vor, eine neuartige, analytische Methode zur Echtzeit-3D-Wahrnehmung in Bewegung, die ausschließlich auf visuellen Bewegungshinweisen basiert und damit präzise Szenenrekonstruktion sowie autonome Navigation ohne vorherige Umgebungskenntnisse ermöglicht.
Die Studie stellt ein neuartiges, auf Denoising Diffusion Probabilistic Models basierendes Framework vor, das durch die Erweiterung von Region-Aware Diffusion und die Nutzung longitudinaler Kontextinformationen effizient und präzise Läsionen in 3D-MRT-Aufnahmen des Gehirns rekonstruiert, wodurch die Bildqualität verbessert und die Verarbeitungszeit im Vergleich zu bestehenden Methoden um das Zehnfache reduziert wird.
Das Paper stellt MultiHaystack vor, einen neuen Benchmark mit über 46.000 multimodalen Kandidaten und 747 Fragen, der zeigt, dass die Leistung von Multimodal Large Language Models bei der Kombination aus Retrieval und Reasoning in großen, heterogenen Korpora erheblich unter den Ergebnissen liegt, die bei Bereitstellung der korrekten Beweise erzielt werden.
Diese Arbeit stellt einen neuartigen Rahmen für die audiovisuelle Geolokalisierung vor, der durch die Zerlegung von Audio in semantische "akustische Atome" und deren multimodale Reasoning-Integration mit visuellen Merkmalen die globale Positionsbestimmung präzisiert und dabei einen neuen Benchmark sowie einen dreistufigen Ansatz mit interpretierbarer Wahrnehmung und Riemannscher Flow-Matching-Vorhersage einführt.
Das Paper stellt Any2Full vor, ein einstufiges, domainspezifisches Framework, das vortrainierte monokulare Tiefenschätzmodelle durch einen skalabewussten Prompt-Encoder anpasst, um aus unvollständigen Tiefendaten präzise und dichte Tiefenkarten zu generieren und dabei sowohl Recheneffizienz als auch Robustheit gegenüber verschiedenen Sparsity-Mustern zu verbessern.
Diese Arbeit stellt einen leichten und interpretierbaren Rahmen vor, der durch die Erweiterung des diskriminativen Histogramms von Gradientenmagnituden (DHoGM) auf drei Dimensionen und die Kombination von 2D- und 3D-Features eine robuste und generalisierbare Erkennung von Bewegungsartefakten in strukturellen T1-gewichteten Gehirn-MRTs ermöglicht.
Diese Arbeit stellt eine automatisierte Pipeline vor, die den ImageNet-Trainingsdatensatz ohne menschliche Annotationen in ein Multilabel-Datenset umwandelt und dadurch durch genauere Objekterkennung die Leistung und Übertragbarkeit von Bilderkennungsmodellen signifikant verbessert.
Die vorgestellte Studie entwickelt einen CLIP-basierten multimodalen Ansatz, der chirurgische Videos automatisch in strukturierte Zeitpläne und narrative Beschreibungen umwandelt, um den manuellen Aufwand für die Nachbereitung von Operationen zu reduzieren.
Die Arbeit stellt Uni-LVC vor, eine einheitliche Methode für gelerntes Videocompression, die Intra- und Inter-Coding in einem einzigen Modell vereint und durch einen Zuverlässigkeits-basierten Mechanismus sowie Cross-Attention-Adaption eine überlegene Rate-Distortion-Leistung bei unzuverlässigen Referenzrahmen gewährleistet.
Die Arbeit stellt Icarus vor, ein voll dynamisches Bereich-Sky-Modell, das mittels Deep Learning fotorealistische, wetterunabhängige Umgebungskarten mit präziser Sonnenausleuchtung und Wolkensteuerung für das Image-Based Lighting generiert und dabei die Limitationen bestehender neuronaler Modelle überwindet.
Die Arbeit stellt SCORE vor, eine Methode zur Subraum-Konfliktlösung, die durch die Projektion von Task-Matrizen auf eine gemeinsame orthogonale Basis die Generalisierungsfähigkeit von fusionierten Modellen auf unbekannte Domänen verbessert.
Das Paper stellt LayerBind vor, eine trainingsfreie und plug-and-play-Methode für Diffusion Transformer, die durch eine zweiphasige, schichtbasierte Instanzbindung präzise regionale Steuerung und die Kontrolle von Okklusionsreihenfolgen in der Text-zu-Bild-Generierung ermöglicht.
Die Arbeit stellt BM25-V vor, ein effizientes zweistufiges Bildsuchsystem, das Okapi-BM25-Bewertungen auf spärliche visuelle Wortaktivierungen eines Sparse Auto-Encoders anwendet, um eine hohe Trefferquote zu erreichen und gleichzeitig die Interpretierbarkeit der Suchergebnisse zu verbessern.
Die Studie zeigt, dass für die 2D-zu-3D-Rekonstruktion die Erhaltung der spektralen Struktur durch Upsampler entscheidender ist als die bloße Verbesserung räumlicher Details, wobei ein neu entwickelter diagnostischer Rahmen mit sechs Metriken aufzeigt, dass strukturelle spektrale Konsistenz die Qualität der Neuen View Synthese am besten vorhersagt.
Die Arbeit stellt EventGeM vor, einen Echtzeit-Algorithmus für die ereignisbasierte visuelle Ortsbestimmung, der durch die Fusion globaler und lokaler Merkmale sowie die Nutzung von Tiefenschätzungen einen neuen State-of-the-Art auf verschiedenen Benchmark-Datensätzen und in realen Robotereinsätzen erreicht.
Die Arbeit stellt LIPAR vor, ein trainingsfreies Framework zur Beschleunigung der Videogenerierung durch das Überspringen redundanter Latent-Patches und eine neuartige Aufmerksamkeitswiederherstellung, das die Durchsatzrate um das 1,45-fache steigert, ohne die Bildqualität zu beeinträchtigen.
Die Arbeit stellt MaCS vor, ein architekturunabhängiges Regularisierungsframework, das durch die Kombination von Margin- und Konsistenzstrafen die Kalibrierung und Robustheit von Vision-Modellen verbessert, ohne zusätzliche Daten oder Architekturänderungen zu erfordern.
Die Arbeit stellt ein einheitliches Architektur-Framework für die polarimetrische Bildgebung vor, das durch eine einzelne Verarbeitungsstufe und die gleichzeitige Bild- und Stokes-Domänen-Bearbeitung physikalische Konsistenz gewährleistet und damit bei verschiedenen Degradationen wie Rauschen, Bewegungsunschärfe und Mosaikartefakten state-of-the-art Ergebnisse erzielt.