5561 Arbeiten
Diese Studie stellt den Garbage Dataset (GD) vor, eine öffentlich zugängliche Bildsammlung mit 12.259 gelabelten Bildern in zehn Abfallkategorien, die als Benchmark für die automatische Mülltrennung dient und durch den Einsatz moderner Deep-Learning-Modelle wie EfficientNetV2S eine hohe Klassifizierungsgenauigkeit bei gleichzeitiger Berücksichtigung von Umweltauswirkungen demonstriert.
Die Arbeit stellt EO-VAE vor, einen multi-sensorischen Variational Autoencoder, der mithilfe dynamischer Hypernetzwerke flexible Kanal-Kombinationen in einem einzigen Modell verarbeitet und damit eine überlegene Rekonstruktionsqualität für die Erdatmosphäre im Vergleich zu bestehenden Tokenizern wie TerraMind erreicht.
Die Arbeit stellt MedXIAOHE vor, ein medizinisches Vision-Language-Modell, das durch einen entitätsbasierten kontinuierlichen Vortrainingsansatz, verstärktes Lernen und agentenbasiertes Training mit Werkzeugen sowie evidenzbasiertes Schließen state-of-the-art-Leistung in der medizinischen Diagnostik und Berichterstattung erzielt und dabei die Zuverlässigkeit und Nachvollziehbarkeit klinischer Anwendungen verbessert.
Die Arbeit stellt UniTAF vor, ein modulares Framework, das Text-zu-Sprache- und Audio-zu-Gesicht-Modelle vereint, um durch interne Feature-Übertragung die Konsistenz zwischen Sprache und Gesichtsausdruck zu verbessern und die Wiederverwendbarkeit von TTS-Repräsentationen für das gemeinsame Modellieren zu validieren.
CRAFT-LoRA ist eine Methode zur personalisierten Bildgenerierung, die durch rank-beschränktes Fine-Tuning, prompt-gesteuerte Adapter-Aggregation und ein training-freies Guidance-Schema eine effektive Entkopplung von Inhalt und Stil sowie eine stabile, hochauflösende Synthese ohne zusätzlichen Trainingsaufwand ermöglicht.
Die Studie stellt CFE-Bench vor, ein multimodales Benchmark mit authentischen Universitätsprüfungen aus über 20 MINT-Fächern, das zeigt, dass selbst fortschrittliche Sprachmodelle bei mehrstufigen Schlussfolgerungen oft an der Konsistenz der Zwischenschritte scheitern und weniger effizient als menschliche Dozenten lösen.
Die Arbeit stellt TraqPoint vor, ein neuartiges Reinforcement-Learning-Framework, das die Keypoint-Detektion als sequenzielles Entscheidungsproblem neu definiert und durch einen track-bewussten Belohnungsmechanismus die Langzeitverfolgbarkeit von Keypoints in Bildsequenzen direkt optimiert, wodurch sie bestehende State-of-the-Art-Methoden in Aufgaben wie der relativen Pose-Schätzung und 3D-Rekonstruktion übertrifft.
Die Arbeit stellt Concept Distillation Sampling (CDS) vor, ein trainingsfreies Framework, das durch die Integration eines stabilen Destillationsrückgrats und dynamischer Gewichtung eine präzise Mehrkonzept-Bildbearbeitung ermöglicht, ohne dabei die Identität oder Details zu verlieren.
Das Papier stellt Uni-Animator vor, ein neuartiges, auf Diffusion Transformern basierendes Framework, das durch instance patch embeddings, physikalische Detailverstärkung und sketch-basierte dynamische RoPE-Codierung eine präzise, detailreiche und zeitlich konsistente Farbskizzen-Generierung für sowohl Bilder als auch Videos in einem einheitlichen Modell ermöglicht.
Die Studie stellt MedMAP vor, ein vortrainiertes Rahmenwerk für medizinische multimodale Ausrichtung, das zusammen mit dem neu erstellten MedMoM-MRI3D-Datensatz die Erkennung von Anomalien in mehreren Organen mittels 3D-MRT-Bildern und Vision-Language-Modellen signifikant verbessert.
Die Arbeit stellt APPO vor, einen attention-gesteuerten Optimierungsalgorithmus, der durch token-level Belohnungen die feingranulare Wahrnehmung von Video-Reasoning-Modellen effizient verbessert, indem er die Leistung durch die Optimierung von Wahrnehmungs-Token gegenüber reinen Reasoning-Verbesserungen priorisiert.
Diese Arbeit stellt einen Ansatz vor, der Generative KI-Modelle wie SAM2, Florence2 und ChatGPT in Kombination mit einer spezialisierten nautischen Ontologie nutzt, um historische Schiffbautraktate aus dem 16. und 17. Jahrhundert zu segmentieren, zu labeln und damit die Erschließung sowie Zugänglichkeit dieses wertvollen Kulturerbes zu verbessern.
Die Studie stellt Lilium vor, eine automatisierte evolutionäre Methode, die durch die Modellierung von Weichgewebevariabilität und die Optimierung mittels Differential Evolution die Genauigkeit und Robustheit der computergestützten Schädel-Gesicht-Überlagerung zur forensischen Identifizierung verbessert.
Die Arbeit stellt GLIDE-Reg vor, ein deformierbares Registrierungsverfahren, das durch die gemeinsame Optimierung von globalen semantischen Merkmalen aus Foundation-Modellen und lokalen handgefertigten Deskriptoren die Robustheit und Genauigkeit bei medizinischen Bildaufnahmen verbessert und dabei den aktuellen State-of-the-Art-Methoden überlegen ist.
Das Paper stellt IDER vor, eine neue Methode für zuverlässiges kontinuierliches Lernen, die durch die Ausnutzung der Idempotenz-Eigenschaft das Vergessen alter Aufgaben reduziert, die Vorhersagezuverlässigkeit erhöht und dabei rechenintensiv effizient mit bestehenden Replay-Verfahren kompatibel ist.
Die Studie stellt BornoViT vor, einen neuartigen, ressourcenschonenden Vision-Transformer mit nur 0,65 Millionen Parametern, der für die Klassifizierung bengalischer handschriftlicher Zeichen und Ziffern entwickelt wurde und auf dem BanglaLekha-Datensatz eine Genauigkeit von 95,77 % erreicht.
Das Paper stellt ShiftLUT vor, ein effizientes Framework für die Bildrestauration, das durch einen lernbaren räumlichen Verschiebungsmodul, eine asymmetrische Dual-Branch-Architektur und eine komprimierte Look-Up-Tabelle eine signifikant größere rezeptive Feldgröße und bessere Bildqualität bei geringem Speicher- und Rechenaufwand im Vergleich zu bisherigen Methoden erreicht.
Die Autoren stellen das Multimodal Weight Predictor (MWP)-Framework und den zugehörigen Datensatz Waste-Weight-10K vor, die durch die Fusion von RGB-Bildern und physikalischen Metadaten eine präzise Gewichtsabschätzung für kommerzielle und industrielle Abfälle ermöglichen und dabei sowohl hohe Genauigkeit als auch interpretierbare Vorhersagen liefern.
Das Paper stellt PreciseCache vor, ein Plug-and-Play-Framework, das durch die präzise Erkennung redundanter Berechnungen mittels Low-Frequency Difference (LFD) und Block-Caching die Inferenzgeschwindigkeit von Videogenerierungsmodellen signifikant steigert, ohne dabei die Bildqualität zu beeinträchtigen.
Die Arbeit stellt FlowReg vor, ein effizientes, unüberwachtes Framework für die Registrierung kardialer MRT-Bilder auf Basis von Flow Matching, das durch Warmup-Reflow-Training und eine Initial-Guess-Strategie eine präzise Bildausrichtung in nur zwei Inferenzschritten ermöglicht und dabei den aktuellen Stand der Technik übertrifft.