4788 Arbeiten
Die Arbeit stellt UniM vor, das erste Benchmark-Dataset für ein einheitliches „Any-to-Any"-interleaved multimodales Lernen, das 31.000 hochwertige Instanzen über sieben Modalitäten hinweg umfasst und durch eine neue Evaluierungssuite sowie ein agentenbasiertes Basismodell die Herausforderungen für die Weiterentwicklung multimodaler Großsprachenmodelle aufzeigt.
Das Paper stellt MoRe vor, einen effizienten Feed-forward-Transformer für die 4D-Rekonstruktion dynamischer Szenen aus monokularen Videos, der durch eine aufmerksamkeitserzwingende Strategie und gruppierte kausale Aufmerksamkeit bewegte Objekte von statischen Strukturen trennt und dabei Echtzeitfähigkeit mit hoher Qualität verbindet.
Die vorgestellte Arbeit führt ein neues Framework namens Orster ein, das räumliche und zeitliche Priors aus 3D- und Videodiffusionsmodellen über eine orthogonale Verteilungstransfer-Mechanik in ein entkoppeltes STD-4D-Diffusionsmodell integriert, um hochwertige 4D-Inhalte trotz fehlender großer 4D-Datensätze zu generieren.
Die Autoren stellen eine neue Theorie für Axiomatische On-Manifold-Shapley-Attribution vor, die auf optimalen generativen Flüssen und der Minimierung der kinetischen Energie basiert, um die Probleme von Off-Manifold-Artefakten zu lösen und eine geometrisch effiziente, stabile sowie semantisch kohärente Erklärungsmethode zu gewährleisten.
Die Arbeit stellt GEM-TFL vor, ein zweiphasiges Framework, das durch EM-gestützte Dekomposition, graphbasierte Verfeinerung und zeitliche Konsistenz die Lücke zwischen schwacher und vollständiger Aufsicht für die präzise Lokalisierung von Video- und Audiofälschungen schließt.
Die Arbeit stellt Diff-ES vor, einen neuartigen Pruning-Ansatz für Diffusionsmodelle, der mittels evolutionärer Suche ein optimales stufenweises Sparsitäts-Schema ermittelt und durch effizientes Weight-Routing eine signifikante Beschleunigung bei minimalen Qualitätsverlusten ermöglicht.
Das Paper stellt BLINK vor, ein rekurrentes Zustandsraummodell, das latente Interaktionsdynamiken zwischen NK-Zellen und Tumorzellen aus Zeitreihendaten lernt, um zytotoxische Ergebnisse präziser zu erkennen, vorherzusagen und interpretierbare Verhaltensmuster aufzudecken.
Das Paper stellt UniPAR vor, ein einheitliches Transformer-basiertes Framework, das durch eine innovative Datenplanung und einen dynamischen Klassifikationskopf die gleichzeitige Verarbeitung heterogener Pedestrian-Attribute-Daten aus verschiedenen Modalitäten ermöglicht und damit die Grenzen herkömmlicher, datensatzspezifischer Modelle überwindet.
Die Arbeit stellt SRasP vor, eine neuartige Methode zur Selbst-Neuausrichtung adversarialer Stilstörungen, die durch globale semantische Führung und eine multi-objektive Optimierung die Gradientenstabilität verbessert und robustere Lösungen für das Few-Shot-Lernen über Domänengrenzen hinweg ermöglicht.
Die vorgestellte Arbeit stellt einen komplexitätsbewussten, adaptiven Inferenzrahmen für Vision-Language-Action-Modelle vor, der durch eine visuelle Komplexitätserkennung dynamisch zwischen sofortigem Handeln, nachdenklicher Analyse und dem Abbruch bei Unsicherheit entscheidet, um so Recheneffizienz zu steigern und katastrophale Fehler zu vermeiden.
Die Arbeit stellt SSR-GS vor, ein Framework zur Verbesserung der Rekonstruktion glänzender Oberflächen durch die Modellierung direkter und indirekter Spiegelungen sowie die Anwendung geometrischer und visueller Priors, um die Herausforderungen komplexer Beleuchtung in der 3D-Gaussian-Splatting-Technologie zu lösen.
Die Studie zeigt, dass eine einfache Lungenzuschneidung durch Begrenzungsrahmen ein wirksames Mittel ist, um das Erlernen rassistischer Kurzschlüsse in KI-Modellen für Röntgenbilder zu reduzieren, ohne dabei die diagnostische Genauigkeit zu beeinträchtigen.
Die vorgestellte Arbeit adressiert das Problem der Verwacklungsunschärfe bei der generischen Kamerakalibrierung mit gedruckten Kalibrierungsbrettern, indem sie geometrische Constraints und ein lokales parametrisches Beleuchtungsmodell nutzt, um gleichzeitig Merkmalspositionen und ortsveränderliche Punktspreizfunktionen zu schätzen.
Das Paper stellt Mario vor, ein einheitliches Framework, das Large Language Models durch graphenbasierte Feinabstimmung und modality-adaptive Instruktionsanpassung befähigt, effektiv auf multimodalen Graphen zu reasoning, indem es schwache konsistenz zwischen Modalitäten auflöst und heterogene Präferenzen berücksichtigt.
Das Paper stellt Logi-PAR vor, ein bahnbrechendes Framework zur Erkennung von Patientenaktivitäten, das durch die Integration lernbarer, differenzierbarer Logikregeln nicht nur eine präzise Klassifizierung, sondern auch nachvollziehbare Erklärungen und kontrafaktische Risikoanalysen ermöglicht und dabei den Stand der Technik auf klinischen Benchmarks übertrifft.
Die Arbeit stellt das SCDL-Framework vor, das durch das Lernen strukturierter klassenbedingter Merkmalsverteilungen und die Ausrichtung von Embeddings mit lernbaren Klassenproxies die durch Klassenungleichgewicht verursachten Verzerrungen in der semi-überwachten medizinischen Bildsegmentierung effektiv reduziert und damit insbesondere die Genauigkeit bei Minderheitsklassen verbessert.
Die Studie stellt SPyCer vor, ein semi-überwachtes, physikgestütztes neuronales Netzwerk mit kontextueller Aufmerksamkeit, das Satellitenbilder nutzt, um die Lücke zwischen spärlichen Bodensensoren und kontinuierlichen Schätzungen der bodennahen Lufttemperatur durch die Integration physikalischer Modelle und lokaler Bildmerkmale zu schließen.
Diese Arbeit stellt ein digitaler Zwilling-gestütztes robotisches Sortiersystem vor, das multimodale Wahrnehmung und visuelle Sprachmodelle (VLMs) integriert, um deformierbare Textilien und Fremdkörper in automatisierten Recyclingumgebungen präzise zu klassifizieren und zu handhaben.
Die Studie stellt ICHOR vor, einen selbstüberwachten Ansatz auf Basis von Masked Autoencodern, der mithilfe einer großen, multizentrischen Datensammlung von 11.405 ASL-CBF-Scans robuste Repräsentationen für die Verbesserung diagnostischer Klassifizierung und Qualitätsvorhersage in der zerebralen Durchblutungsmessung lernt und dabei bestehende Methoden übertrifft.
CATNet ist ein adaptives Framework, das durch eine spatio-temporale Synchronisation, eine waveletbasierte Rauschunterdrückung und eine adaptive Merkmalsauswahl die Herausforderungen von Zeitverzögerungen und Rauschen in der kooperativen Wahrnehmung überwindet und so die Robustheit unter komplexen Verkehrsbedingungen verbessert.