4364 Arbeiten
Die Arbeit stellt PulseFocus vor, eine trainingsfreie Methode zur Verbesserung des Multi-Bild-Verständnisses bei Vision-Language-Modellen, die durch die Strukturierung des Chain-of-Thought in Planungs- und Fokussierungsblöcke sowie eine weiche Aufmerksamkeitssteuerung diffuse Aufmerksamkeitsmuster überwindet und die Leistung auf Benchmarks wie BLINK und MuirBench signifikant steigert.
Diese Studie bewertet systematisch die Wirksamkeit von Pruning, Quantisierung und Knowledge Distillation zur Komprimierung neuronaler Netze für die hyperspektrale Bildklassifizierung und zeigt, dass diese Methoden die Modellgröße und Rechenkosten erheblich senken können, ohne die Klassifizierungsgenauigkeit signifikant zu beeinträchtigen.
Diese Studie zeigt, dass multimodale große Sprachmodelle im Zero-Shot-Setting für die Videoanomalieerkennung zwar präzise, aber aufgrund einer starken Verzerrung zugunsten normaler Ereignisse unzureichend zuverlässig sind, wobei spezifische Anweisungen die Leistung zwar signifikant verbessern können, die Erkennungsrate jedoch weiterhin eine kritische Schwachstelle bleibt.
Die Arbeit stellt FOZO vor, eine speicher- und rechen-effiziente, rückwärtspropagationsfreie Methode zur Testzeit-Anpassung, die durch eine Nullter-Ordnung-Optimierung von Prompts mit dynamisch abklingender Störung eine hohe Genauigkeit auf verschobenen Datenverteilungen und quantisierten Modellen erreicht.
Die Arbeit stellt Real-IISR vor, ein einheitliches autoregressives Framework mit einem neuen Benchmark-Datensatz (FLIR-IISR), das durch thermisch-strukturelle Führung und degradationsadaptive Kodierung die Herausforderungen der realen Infrarotbild-Super-Resolution adressiert.
Diese Landschaftskommentar-Studie zeigt, dass die GPT-5-Familie im Vergleich zu GPT-4o signifikante Fortschritte bei der multimodalen klinischen Reasoning-Aufgabe erzielt, insbesondere durch die Verknüpfung von Text und Bild, jedoch in hochspezialisierten, wahrnehmungskritischen Bereichen wie der Neuroradiologie und Mammographie noch nicht die Genauigkeit von domänenspezifischen Modellen erreicht.
Diese Arbeit stellt eine neue Architektur namens GAMDSS vor, die durch dynamische Neuauswahl von Schlüsseldiagrammen menschliche Annotationenfehler in der mikroskopischen Gesichtsausdruckserkennung, insbesondere bei multikulturellen Datensätzen, korrigiert und die Leistung bestehender Modelle ohne zusätzliche Parameter verbessert.
Die Arbeit stellt DSA-SRGS vor, das erste Framework für superauflösende Gaußsche Splatting-Rekonstruktion dynamischer DSA-Bilder aus wenigen Ansichten, das durch ein Multi-Fidelity-Textur-Lernmodul und eine radiative Subpixel-Densifizierung feine Gefäßstrukturen ohne Artefakte wiederherstellt.
Die Arbeit stellt MADCrowner vor, ein neuartiges, randbewusstes Framework zur automatisierten dentalen Kronenkonstruktion, das durch die Kombination einer template-basierten Deformation und einer präzisen Randsegmentierung die geometrische Genauigkeit und klinische Machbarkeit im Vergleich zu bestehenden Methoden signifikant verbessert.
Dieser technische Bericht stellt ein neues, datenschutzfreundliches Wahrnehmungsframework namens „Privacy-Aware Camera 2.0" vor, das mithilfe des AI-Flow-Paradigmas und einer Edge-Cloud-Architektur Rohbilder am Rand in irreversible abstrakte Merkmalsvektoren umwandelt, um gleichzeitig den Datenschutz zu gewährleisten und eine semantische Verhaltensanalyse sowie eine visuelle Rekonstruktion über eine „dynamische Kontur"-Sprache in der Cloud zu ermöglichen.
Die vorgestellte Arbeit stellt RMK RetinaNet vor, einen robusten Detektor für orientierte Objekte in Fernerkundungsbildern, der durch einen Multi-Scale-Kernel-Block, eine Multi-Directional-Contextual-Anchor-Attention-Mechanismus, einen Bottom-up-Pfad und ein Euler-Winkel-Kodierungsmodul die Herausforderungen der adaptiven Rezeptivfeldnutzung, der Merkmalsfusion und der Winkelregression adressiert.
Die Arbeit stellt „LAW & ORDER" vor, ein adaptives Gewichtungssystem für medizinische Diffusionsmodelle und Segmentierung, das durch einen lernbaren Gewichtsmodulator und eine effiziente Bereichserkennung die Bildqualität sowie die Segmentierungsgenauigkeit bei deutlich reduzierter Rechenkomplexität verbessert.
Diese Übersichtsarbeit vergleicht traditionelle Methoden mit Deep-Learning-Ansätzen für die Bildgebung von Hirngliomen und stellt fest, dass Convolutional Neural Networks (CNNs) bei der Segmentierung und Klassifizierung traditionelle Techniken übertreffen.
Die Arbeit stellt MASQuant vor, ein neues Post-Training-Quantisierungs-Framework für multimodale große Sprachmodelle, das durch modalspezifische Glättungsfaktoren und eine SVD-basierte Kompensation die Herausforderungen der Glättungsfehlausrichtung und der rechnerischen Invarianz zwischen verschiedenen Modalitäten effektiv löst.
Diese Arbeit stellt die Diffusion Contrastive Reconstruction (DCR) vor, eine Methode, die kontrastive Signale aus rekonstruierten Bildern in den Diffusionsprozess integriert, um die diskriminative und detailperzeptive Fähigkeit von CLIP-Visual-Encodern zu verbessern und so eine ausgewogenere visuelle Repräsentation für nachgelagerte Aufgaben zu erreichen.
Die Studie stellt Meta-D vor, eine Architektur, die kategorische Scanner-Metadaten wie MRI-Sequenz und Ebenenorientierung nutzt, um die Feature-Extraktion zu steuern, was sowohl die 2D-Tumorerkennung als auch die 3D-Segmentierung bei fehlenden Modalitäten durch stabilisierte Repräsentationen und effizientere Aufmerksamkeitsmechanismen signifikant verbessert.
Die Studie zeigt, dass ein leichtgewichtiges Modell, das auf einem hochwertigen, polarisationsbasierten Datensatz mit realen 3D-Objekten trainiert und durch DINOv3-Priors sowie sensorbewusste Daten-Augmentierung verbessert wurde, selbst mit deutlich weniger Daten und Parametern RGB-only-Vision-Foundation-Modelle bei der Schätzung von Oberflächennormalen übertrifft, indem es die zuvor bestehenden Domänenlücken schließt.
Die Autoren stellen einen neuartigen Framework namens CAD vor, der durch intra- und interklassische Regulierungen die Verstrickung von Instanzen in instanzabhängigem Partial-Label-Learning effektiv reduziert und so die Klassentrennung sowie die Gesamtleistung verbessert.
Die Arbeit stellt SADCA vor, einen semantikgestützten, dynamischen kontrastiven Angriff, der die Übertragbarkeit von Adversarial-Beispielen für Vision-Language-Modelle durch progressive Störung der cross-modalen Ausrichtung und semantische Augmentierung signifikant verbessert.
Die Arbeit stellt MPCAttack vor, ein neuartiges Framework für Multi-Paradigma-Kollaborative Angriffe, das durch die gemeinsame Optimierung von visuellen und textuellen Merkmalsrepräsentationen die Transferierbarkeit adversarieller Beispiele gegen Multi-Modal Large Language Models signifikant verbessert und dabei bestehende State-of-the-Art-Methoden übertrifft.