4060 Arbeiten
Diese Arbeit stellt eine Deep-Ensemble-Methode vor, die CNNs und Vision Transformers kombiniert, um durch das Ensembling vier unabhängiger Fusionsmodelle die Redundanz zu überwinden und bei der Klassifizierung von Fernerkundungsbildern auf mehreren Datensätzen hohe Genauigkeit mit effizienten Ressourcen zu erreichen.
Das Paper stellt Cog2Gen3D vor, ein 3D-Generierungs-Framework, das semantische Informationen und absolute Geometrie durch kognitive Feature-Embeddings und einen 3D-Latenz-Kognitionsgraphen kombiniert, um physikalisch plausible und strukturell rationale 3D-Objekte zu erzeugen.
Das Paper stellt VS3R vor, ein Framework, das durch die Synergie von feed-forward 3D-Rekonstruktion und generativen Video-Diffusionsmodellen robuste, vollformatige Video-Stabilisierung mit hoher visueller Qualität über verschiedene Szenarien hinweg ermöglicht.
Die Arbeit stellt MACRO vor, einen sich selbst weiterentwickelnden medizinischen Agenten, der durch erfahrungsbasierte Entdeckung und Synthese wiederverwendbarer Werkzeugkombinationen die starre Tool-Nutzung überwindet und so die Genauigkeit sowie die domänenübergreifende Generalisierung bei der medizinischen Bildanalyse verbessert.
Das Paper stellt TumorChain vor, ein multimodales Framework mit verflochtener Chain-of-Thought-Reasoning, das auf dem neuartigen 1,5-Millionen-Einträge umfassenden Datensatz TumorCoT trainiert wird, um die Nachvollziehbarkeit und Genauigkeit der klinischen Tumoranalyse durch die Verknüpfung von 3D-CT-Bildern, radiologischen Befunden und pathologischen Vorhersagen zu verbessern.
Die Arbeit stellt PatchCue vor, ein neuartiges Paradigma, das die visuellen Schlussfolgerungsfähigkeiten von Vision-Language-Modellen durch die Nutzung von Patches als visuelle Hinweise verbessert, die besser mit menschlichen Wahrnehmungsgewohnheiten übereinstimmen als pixelgenaue Bounding Boxes oder Punkte.
Die Arbeit stellt MemSeg-Agent vor, einen memory-augmentierten Agenten für die medizinische Bildsegmentierung, der die Anpassung vom Gewichts- in den Speicherbereich verlagert, um Few-Shot-Learning, föderiertes Lernen und Testzeit-Anpassung in einer einheitlichen Architektur mit geringem Kommunikationsaufwand zu ermöglichen.
Diese Studie führt eine systematische Evaluierung der synthetischen Neuansichtengenerierung für die Video-Ortserkennung durch und zeigt, dass bereits kleine Mengen zusätzlicher Ansichten die Erkennungsleistung verbessern, wobei bei größeren Datenmengen die Anzahl der hinzugefügten Ansichten und die Bildart wichtiger sind als die reine Blickwinkeländerung.
Die Arbeit stellt CylinderSplat vor, ein Feed-forward-Framework für die panoramische 3D-Gaussian-Splatting, das mithilfe einer neuartigen zylindrischen Triplane-Darstellung und einer dualen Architektur die Verzerrungen herkömmlicher Methoden vermeidet und sowohl bei Einzel- als auch bei Mehransicht-Szenen überlegene Rekonstruktionsqualität und geometrische Genauigkeit erzielt.
Die Arbeit stellt PixARMesh vor, eine Methode, die aus einem einzelnen RGB-Bild autoregressiv vollständige, kohärente und direkt anwendbare 3D-Innenszenen-Meshes in einem einzigen Vorwärtsschritt rekonstruiert, indem sie Objektplatzierung und Geometrie in einem einheitlichen Modell kombiniert.
Der Artikel stellt InnoAds-Composer vor, ein einstufiges Framework für die effiziente Erzeugung von E-Commerce-Plakaten, das durch eine optimierte Token-Routing-Strategie und ein Text-Feature-Enhancement-Modul gleichzeitig Subjekt, Text und Stil präzise kontrolliert und dabei bestehende Methoden in Bezug auf Qualität und Latenz übertrifft.
Die vorgestellte Arbeit verbessert die Fairness und Interpretierbarkeit von Concept Bottleneck Models durch den Einsatz von drei neuen Techniken zur Reduzierung von Informationslecks, dem Entfernen voreingenommener Konzepte und adversariellem Debiasing, wodurch signifikant bessere Ergebnisse im Kompromiss zwischen Fairness und Leistung erzielt werden.
Die Arbeit stellt CollabOD vor, ein leichtgewichtiges kollaboratives Framework, das durch die Erhaltung struktureller Details und die Ausrichtung heterogener Merkmalsströme die robuste und effiziente Detektion kleiner Objekte in UAV-Bildern verbessert.
Die Arbeit stellt mit Art3D ein neues Paradigma der „Artistic Disparity Synthesis" vor, das durch eine Dual-Path-Architektur und indirektes Lernen aus professionellen 3D-Filmdaten den Fokus von der rein geometrischen Genauigkeit auf die künstlerisch kohärente Nachbildung immersiver Kinowirkungen verlagert.
Der Paper stellt Pano3DComposer vor, einen effizienten Feed-Forward-Framework, der aus einzelnen Panoramabildern hochwertige 3D-Szenen in nur 20 Sekunden generiert, indem es durch einen neuartigen Objekt-Welt-Transformationsprädiktor und eine Grob-zu-Fein-Ausrichtungsmechanik die Grenzen bestehender iterativer oder eingeschränkter Methoden überwindet.
Die Arbeit stellt CORE-Seg vor, ein auf Verstärkungslernen basierendes Framework, das durch die Integration von Chain-of-Thought-Reasoning und einem semantisch geführten Prompt-Adapter die Segmentierung komplexer Läsionen in medizinischen Bildern signifikant verbessert.
Die Arbeit stellt BlackMirror vor, ein trainingsfreies Black-Box-Framework zur Erkennung von Backdoors in Text-zu-Bild-Modellen, das durch die Analyse von Abweichungen zwischen Bildinhalten und Anweisungen sowie deren Stabilität über verschiedene Prompts hinweg neue, visuell diverse Angriffe effektiv identifiziert.
Das Paper stellt den Rectified Flow Auto Coder (RAC) vor, der durch die Nutzung von geraden Flusspfaden für mehrstufige Decodierung und bidirektionale Inferenz die Rekonstruktions- und Generierungsqualität von VAEs bei etwa 41 % weniger Parametern und 70 % geringerem Rechenaufwand signifikant verbessert.
Die Autoren stellen den großen Datensatz RAID vor und eine schwach überwachte Methode zur Identifizierung von Risikquellen im Straßenverkehr, die durch die Modellierung des Zusammenhangs zwischen Fahrerabsicht und Reaktion sowie der Analyse von Fußgänger-Aufmerksamkeit zu signifikanten Leistungssteigerungen gegenüber dem aktuellen Stand der Technik führt.
Die Arbeit stellt TAR-ViTPose vor, einen neuartigen Vision Transformer, der durch eine joint-zentrische temporale Aggregation und globale Wiederherstellung von Aufmerksamkeit die zeitliche Kohärenz in Videos nutzt, um die Genauigkeit und Stabilität der 2D-Pose-Schätzung im Vergleich zu statischen Einzelbild-Methoden und bestehenden Video-Ansätzen signifikant zu verbessern.