5175 Arbeiten
Das Paper stellt PinPoint vor, ein umfassendes Benchmark für Composed Image Retrieval mit expliziten Negativen, Mehrfachantworten und Paraphrasierungstests, das signifikante Schwächen bestehender Methoden aufdeckt und einen trainingfreien Reranking-Ansatz zur Verbesserung vorschlägt.
Die Arbeit stellt das SGR3-Modell vor, ein trainingsfreies Framework, das multimodale Large Language Models mit retrieval-augmentierter Generierung kombiniert, um semantische 3D-Szenengraphen ohne explizite 3D-Rekonstruktion zu erzeugen und dabei durch eine gewichtete Patch-Ähnlichkeitsauswahl die Robustheit der relationalen Schlussfolgerung verbessert.
Die Arbeit stellt Spinverse vor, eine differentiable Physik-Methode, die mittels eines durchgängig differenzierbaren Bloch-Torrey-Simulators und lernbarer Durchlässigkeitsparameter auf einem Tetraeder-Gitter die rekonstruierte Mikrostruktur aus Diffusions-MRT-Daten explizit als durchlässigkeitsbewusste Grenzflächen zurückgewinnt.
Diese Studie zeigt, dass ein multimodaler Ansatz mit einem großen Sprachmodell, der sowohl Text- als auch Bilddaten von Visualisierungsfragen kombiniert, die Schwierigkeit von Testitems für US-Erwachsene präziser vorhersagen kann als rein text- oder bildbasierte Methoden.
Diese Arbeit stellt sFRC (Fourier-Ring-Korrelation auf kleinen Patches) als robuste Methode vor, um Halluzinationen in durch Deep Learning rekonstruierten medizinischen Bildern zu erkennen und zu quantifizieren, indem sie diese über verschiedene Unterabtastungsszenarien hinweg mit Referenzdaten vergleicht.
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.