4749 Arbeiten
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.
GloSplat ist ein Framework, das durch die gemeinsame Optimierung von Pose und Erscheinung unter Beibehaltung expliziter SfM-Feature-Tracks während des Trainings von 3D-Gaussian-Splatting eine schnellere und genauere 3D-Rekonstruktion ermöglicht, die sowohl in COLMAP-freien als auch in COLMAP-basierten Szenarien state-of-the-art Ergebnisse erzielt.
Die Arbeit stellt einen trainingsfreien Ansatz zur mehrstufigen Theoremvorhersage vor, der durch die Nutzung von Theorem-Vorranggraphen als nicht-parametrische strukturelle Priors das Problem des „Structural Drift" bei In-Context-Learning adressiert und auf dem FormalGeo7k-Benchmark eine Genauigkeit von 89,29 % erreicht, die mit überwachtem State-of-the-Art vergleichbar ist.
Diese Studie stellt eine skalierbare monokulare Videopipeline vor, die aus Baseball-Übertragungsaufnahmen klinisch relevante biomechanische Metriken rekonstruiert und damit eine kosteneffiziente Alternative zu teuren Motion-Capture-Systemen für das Screening von Verletzungsrisiken bietet.
Das Paper stellt SURE vor, ein semi-dichtes Feature-Matching-Framework, das durch die gemeinsame Modellierung von aleatorischer und epistemischer Unsicherheit sowie eine neuartige evidenzbasierte Kopfarchitektur zuverlässige Bildkorrespondenzen auch in schwierigen Szenarien mit großen Blickwinkeländerungen oder texturlosen Regionen ermöglicht.
Die Arbeit stellt ein neues Framework namens Prompt-Driven Noise Generation (PNG) vor, das mithilfe von Prompt-Features realistische sRGB-Rauschbilder ohne Abhängigkeit von Kamerametadaten synthetisiert und so die Generalisierbarkeit von Rauschgenerierung und nachfolgendem Entrauschen in realen Szenarien erheblich verbessert.
Diese Studie demonstriert, dass allein durch die Analyse von 3D-Kinematikdaten aus Fernsehbildern eine Vorhersagegenauigkeit von 80,4 % für acht verschiedene Baseball-Würfe erreicht werden kann, wobei die Oberkörpermechanik den größten Beitrag leistet und grip-basierte Varianten wie Four-Seam und Two-Seam Fastballs kinematisch nicht unterscheidbar sind.
Diese Arbeit stellt ein neuartiges zweistufiges Framework für die automatische Generierung von CT-Berichten vor, das durch strukturorientierte Bild-Text-Kontrastierung und dynamische Negativ-Queues präzise semantische Korrespondenzen zwischen anatomischen Strukturen und Befundtexten erlernt, um so den aktuellen Stand der Technik in klinischer Effizienz zu übertreffen.
Die Arbeit stellt DeformTrace vor, ein hybrides State-Space-Modell mit deformierbaren Dynamiken und Relais-Token-Mechanismen, das durch präzise zeitliche Fokussierung und verbesserte Langstreckenmodellierung den State-of-the-Art in der Lokalisierung von Medienmanipulationen erreicht.
Der vorgestellte FedMEPD-Rahmenwerk adressiert die Herausforderungen der intermodalen Heterogenität und der Personalisierung im föderierten Lernen für die multimodale Hirntumorsegmentierung durch den Einsatz von modality-spezifischen Encodern, teilweise personalisierten Fusion-Decodern und einem Mechanismus zur Kompensation fehlender Modalitäten mittels Cross-Attention.
Das Paper stellt FedAFD vor, ein einheitliches Framework für multimodales Federated Learning, das durch eine bi-level adversarielle Ausrichtungsstrategie, einen granularitätsbewussten Fusionsmodul und eine similarity-gesteuerte Ensemble-Destillation die Herausforderungen heterogener Datenmodalitäten, Aufgabenunterschiede und Modellheterogenität adressiert, um sowohl auf Client- als auch auf Serverseite eine überlegene Leistung und Privatsphäre zu gewährleisten.
Die Arbeit stellt einen einfachen Add-on-Ansatz namens Locality-Attending Vision Transformer (LocAtViT) vor, der durch die Modulation der Selbstattention mit einem lernbaren Gauß-Kernel und die Verfeinerung der Patch-Repräsentationen die Segmentierungsleistung von Vision-Transformern erheblich verbessert, ohne dabei deren Klassifikationsfähigkeiten zu beeinträchtigen oder das Trainingsregime zu ändern.
Der Paper stellt FC-VFI vor, ein neues Verfahren zur Video-Framinterpolation, das durch latente zeitliche Modellierung und semantische Strukturierung hochauflösende, treue und konsistente Slow-Motion-Videos mit bis zu 240 Bildern pro Sekunde erzeugt und dabei die Schwächen bestehender Diffusionsmodelle bei der Detailwiedergabe überwindet.
Die Arbeit stellt AdaIAT vor, eine adaptive Methode, die durch gezielte Verstärkung der Aufmerksamkeit auf generierten Text Halluzinationen in Large Vision-Language-Modellen signifikant reduziert, ohne dabei die sprachliche Kohärenz oder Vorhersagefähigkeit zu beeinträchtigen.