4144 Arbeiten
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.
Diese Arbeit analysiert systematisch den Einfluss von Gewichtung und Parametrisierung auf das Training von Flow-Matching-Modellen, um praktische Designempfehlungen basierend auf Datenmanifold-Dimension, Architektur und Datensatzgröße zu geben.
Die Studie zeigt, dass eingefrorene Vision-Language-Modelle kontinuierliche geometrische Informationen enthalten, die durch leichte lineare Proben präziser abgerufen werden können als durch Textgenerierung, was auf ein Defizit im Trainingspfad und nicht in der Repräsentation selbst hinweist.
Die Studie stellt GreenRFM vor, ein ressourceneffizientes Vorab-Trainingsframework für radiologische Fundamentmodelle, das durch eine optimierte „MUST"-Supervision statt reiner Skalierung State-of-the-Art-Ergebnisse auf verschiedenen Modalitäten mit deutlich reduziertem Rechenaufwand erzielt und damit die Abhängigkeit von massiven Rechenressourcen in Frage stellt.
Das Paper stellt Match4Annotate vor, ein leichtgewichtiges Framework, das durch testzeitoptimierte, implizite neuronale Feature-Matching-Verfahren sowohl innerhalb als auch zwischen Videos spärliche Punkt- und Maskenannotationen in medizinischen Ultraschalldatensätzen effizient propagiert und dabei den aktuellen Stand der Technik übertrifft.
Die Arbeit stellt Self-Flow vor, ein selbstüberwachtes Flow-Matching-Verfahren, das durch einen Dual-Timestep-Scheduling-Mechanismus die Lernung starker semantischer Repräsentationen direkt in den generativen Rahmen integriert und so eine skalierbare, multimodale Synthese ohne externe Modelle ermöglicht.
Die Arbeit stellt SG-DOR vor, ein relationaler Rahmen, der mittels eines richtungsabhängigen Graph-Neural-Netzwerks Verdeckungen und Anbindungen in Paprikapflanzen analysiert, um die robotische Ernte in dichten Beständen zu optimieren.
Diese Studie präsentiert ein KI-System, das auf über 45.000 Ultraschallbildern trainiert wurde, um fetale Gesichtsfehlbildungen mit einer Genauigkeit zu erkennen, die der von erfahrenen Radiologen entspricht und die von weniger erfahrenen Fachkräften deutlich übertrifft, während es gleichzeitig als effektives Lernwerkzeug zur Beschleunigung der Ausbildung in diesem seltenen medizinischen Bereich dient.
Die Arbeit stellt SCAN vor, ein universelles Framework für erklärbare KI, das mithilfe eines AutoEncoder-Ansatzes und des Informationsflaschenhals-Prinzips hochauflösende, objektzentrierte Visualisierungen für sowohl CNN- als auch Transformer-Architekturen erzeugt und dabei die Lücke zwischen hoher Genauigkeit und breiter Anwendbarkeit schließt.
Das Paper stellt AV-Unified vor, ein einheitliches Framework, das durch die Umwandlung verschiedener Audio-Visuell-Aufgaben in diskrete Token-Sequenzen und den Einsatz multimodaler Wahrnehmungsnetzwerke eine gemeinsame Lernbasis für das umfassende Verständnis komplexer Szenen schafft.
Der Artikel stellt ein einfaches Kalibrierverfahren vor, das für diffuse LiDAR-Sensoren wie den TMF8828 mittels eines gescannten retroreflektierenden Flecks und Hintergrundsubtraktion pixelgenaue Fußabdrücke und relative räumliche Empfindlichkeiten in einem RGB-Bild schätzt, um eine präzise räumliche Ausrichtung und Fusion der Modalitäten zu ermöglichen.
Die Arbeit stellt NEGATE vor, eine trainingsfreie Methode, die linguistische Verneinung in Text-zu-Video-Diffusionsmodellen durch die Projektion semantischer Updates auf eine konvexe Restriktionsmenge als strukturierte Machbarkeitsbedingung modelliert und so robuste Verneinung ohne Nachtraining ermöglicht.
Die Arbeit stellt SurgFormer vor, einen skalierbaren multiresolutiven Gated-Transformer, der auf XFEM-simulierten Daten trainiert wurde, um sowohl die Verformung als auch die Resektion von Weichgewebe in volumetrischen Netzen mit hoher Genauigkeit und Echtzeit-Geschwindigkeit vorherzusagen.
Diese Studie modelliert und misst Redundanz in multisensorischen und multimodalen Daten für autonomes Fahren, wobei experimentelle Ergebnisse zeigen, dass das gezielte Entfernen redundanter Objektkennzeichnungen die Objekterkennungsleistung verbessert und damit die Bedeutung von Datenqualität für die AV-Perzeption unterstreicht.
Die Arbeit stellt EgoReasoner vor, ein zweistufiges Framework, das durch aufgabenadaptive Denkvorlagen und belohnungsgesteuertes Feinabstimmen strukturiertes 4D-Reasoning für Egocentric-Videos ermöglicht und damit auf dem HD-EPIC-Benchmark signifikant bessere Ergebnisse erzielt als größere Modelle.
Die Arbeit stellt Penguin-VL vor, ein effizientes Vision-Language-Modell, das durch den Einsatz eines auf einem reinen Text-LLM initialisierten Vision-Encoders statt traditioneller kontrastiver Vortrainings feinere visuelle Details bewahrt und damit auf ressourcenbeschränkten Geräten überlegene Leistungen in Aufgaben wie Dokumentenverständnis und komplexem Schlussfolgern erzielt.
Das Paper stellt SUREON vor, einen umfassenden Video-QA-Datensatz und ein darauf trainiertes Vision-Language-Modell, das durch die Extraktion von Experten-Narrationen aus chirurgischen Lehrvideos die Fähigkeit zur chirurgischen Reasoning (Schlussfolgerung) entwickelt und dabei bestehende Modelle in Sicherheitsbewertungen, Entscheidungsanalysen und Prognosen deutlich übertrifft.