4140 Arbeiten
Die Arbeit stellt WorldCache vor, ein Caching-Framework für Diffusions-basierte Weltmodelle, das durch kurvengeleitete, heterogene Token-Vorhersage und chaotisch priorisiertes adaptives Überspringen die Inferenzgeschwindigkeit um das 3,7-fache steigert, ohne dabei die Rollout-Qualität zu beeinträchtigen.
Das Paper stellt K-MaT vor, einen Prompt-Learning-Ansatz, der durch die Verankerung von Prompts an klinische Texte und die Ausrichtung von Manifold-Räumen mittels optimalen Transports die Übertragung von großen biomedizinischen Vision-Language-Modellen auf niedrigwertige Bildgebungsmodalitäten ohne Trainingsdaten ermöglicht und dabei den Zustand der Kunst erreicht.
Das Paper stellt den Dynamic Chunking Diffusion Transformer (DC-DiT) vor, der durch einen lernbasierten Encoder-Router-Decoder adaptiv und datenabhängig die Anzahl der Tokens je nach Bildinhalt und Diffusionszeitpunkt optimiert, um die Recheneffizienz zu steigern und gleichzeitig die Bildqualität im Vergleich zu herkömmlichen DiT-Modellen zu verbessern.
Das Paper stellt LATO vor, eine neuartige, topologieerhaltende latente Darstellung, die durch einen zweistufigen Flow-Matching-Prozess und ein spezialisiertes Voxel-VAE-System effizient und skalierbar explizite 3D-Meshes mit komplexer Geometrie und korrekter Topologie generiert, ohne auf Isosurface-Extraktion oder heuristisches Meshing angewiesen zu sein.
Diese Studie stellt computergestützte Methoden vor, die mithilfe eines Dual-Kamera-Systems (BIODISCOVER) und maschinellen Lernverfahren die Trockengewichtsschätzung von Wirbellosen allein aus Bildern ermöglichen und so eine zerstörungsfreie, skalierbare Biodiversitätsüberwachung mit einer medianen Fehlerquote von 10–20 % unterstützen.
Die Arbeit stellt OralGPT-Plus vor, ein agentices Vision-Language-Modell, das durch ein reinspektionsbasiertes Reinforcement-Learning-Framework und den neuen Datensatz DentalProbe eine iterative, symmetriebewusste Analyse von Panoramaröntgenbildern ermöglicht und damit die klinische Zuverlässigkeit in der zahnmedizinischen Diagnostik verbessert.
Der vorgestellte Ansatz Rewis3d nutzt die Rekonstruktion von 3D-Szenen als zusätzlichen Lehrsignal, um schwach überwachtes semantisches Segmentieren auf 2D-Bildern mit nur wenigen Annotationen signifikant zu verbessern und dabei den aktuellen Stand der Technik zu übertreffen.
Die Arbeit stellt MoEMambaMIL vor, ein strukturwahrnehmendes State-Space-Modell, das durch eine regionennestende selektive Abtastung und ein Mixture-of-Experts-Design die hierarchische Multi-Resolution-Struktur von Ganzschnittbildern effizient nutzt, um die Leistung bei der Analyse über neun verschiedene Aufgaben zu maximieren.
Die Studie stellt CHMv2 vor, eine globale, metergenaue Baumhöhenkarte, die mithilfe des DINOv3-Modells und optischer Satellitendaten erstellt wurde und im Vergleich zu bestehenden Produkten eine deutlich höhere Genauigkeit, geringere Verzerrungen in hohen Wäldern sowie eine bessere Erfassung feiner Strukturdetails bietet.
Die vorgestellte Arbeit führt ein prompt-gruppenbewusstes Trainingsframework ein, das die Empfindlichkeit von textgestützten Nukleus-Segmentierungsmodellen gegenüber Formulierungsunterschieden durch gruppenweise Konsistenzregularisierung und logit-basierte Constraints reduziert, ohne die Architektur oder Inferenz zu verändern.
Die Arbeit stellt REACT++ vor, ein neuartiges Echtzeit-Modell für die Generierung von Szenengraphen, das durch effiziente Merkmalsextraktion und Cross-Attention im Prototypenraum eine überlegene Balance zwischen Inferenzgeschwindigkeit, Beziehungsvorhersagegenauigkeit und Objekterkennung erreicht und dabei den Vorgänger REACT um 20 % beschleunigt sowie die Genauigkeit um 10 % steigert.
Die vorgestellte Arbeit stellt ein menschengeführtes Framework vor, das automatische Löser mit interaktiver Benutzersteuerung kombiniert, um die komplexe und skalierbare Rekonstruktion von zerfallenen kulturellen Erbstücken aus tausenden Fragmenten effizient und präzise zu bewerkstelligen.
Die Arbeit stellt DiffInf vor, einen selbstbeeinflussungsgesteuerten Diffusionsrahmen, der inkonsistente Gesichtsattribut-Annotationen durch gezielte generative Bildkorrektur behebt, um die Überwachungsqualität zu verbessern und die Klassifikationsleistung zu steigern, ohne die Datengröße zu verringern.
Die Studie zeigt, dass Vision-Transformer wie BEiT die Gestalt-Präferenz für Konvexität erst in späteren Schichten auflösen, wobei der Aufmerksamkeitskopf L0H9 als früher Auslöser fungiert, dessen gezielte Dämpfung die visuelle Completion zugunsten konkaver Formen verändert.
Die Arbeit stellt PSIVG vor, ein Framework, das einen physikalischen Simulator in den Diffusionsprozess integriert, um physikalisch konsistente und realistische Videogenerierung zu ermöglichen.
Diese Arbeit stellt eine nicht-invasive stereo-visuelle Methode vor, die unter Berücksichtigung von Lichtbrechung und mittels eines YOLOv11-Pose-Netzwerks die Länge von kleinen Süßwasserfischen in Heimaquarien präzise schätzt.
Die Studie stellt CLoPA vor, eine kontinuierliche Anpassungsstrategie, die durch das Feinabstimmen eines kleinen Teils der Parameter des nnInteractive-Modells auf annotierten Daten die Segmentierungsleistung in der medizinischen Bildgebung schnell auf Expertenniveau hebt, ohne neue Parameter oder Änderungen am Inferenzprozess zu erfordern.
Die Arbeit stellt WanderDream vor, den ersten groß angelegten Datensatz für die mentale Simulation von Erkundungsbewegungen, der es KI-Modellen ermöglicht, räumliche „Was-wäre-wenn"-Fragen zu beantworten, ohne physisch aktiv erkunden zu müssen.
Das Paper stellt CaTok vor, einen eindimensionalen kausalen Bild-Tokenizer mit einem MeanFlow-Decodierer und einer neuen Regularisierungsmethode REPA-A, der durch die Vermeidung nicht-kausaler Sequenzen und die Nutzung von Vision Foundation Models state-of-the-art-Ergebnisse bei der Bildrekonstruktion und der nächsten-Token-Vorhersage erzielt.
Das Paper stellt Pinterest Canvas vor, ein groß angelegtes Bildgenerierungssystem, das auf einem vielseitigen Basis-Modell aufbaut und durch schnelle, aufgabenspezifische Feinabstimmungen spezialisierte Modelle für Bildbearbeitung und -verbesserung erstellt, die in A/B-Tests signifikant höhere Nutzerinteraktionen und eine bessere Leistung als Drittanbietermodelle erzielen.