5561 Arbeiten
Die Arbeit stellt eMIGM vor, ein einheitliches Framework für Masked Image Generation, das durch optimiertes Training und Sampling eine überlegene Effizienz und Leistung bei der Bildgenerierung auf ImageNet im Vergleich zu bestehenden diskreten und kontinuierlichen Diffusionsmodellen erreicht.
Die Arbeit stellt SPEED vor, eine effiziente Methode zum Löschen von Konzepten aus Diffusionsmodellen durch direkte Parameterbearbeitung in einem Nullraum, die durch drei Strategien eine präzise Entfernung bei gleichzeitiger Wahrung der Bildqualität nicht betroffener Konzepte ermöglicht.
Diese Arbeit stellt ein modellagnostisches, mehrkriterielles Evaluierungsframework vor, das den Trade-off zwischen Nutzen und Fairness in Machine-Learning-Systemen, insbesondere im medizinischen Bildbereich, durch eine kompakte Visualisierung und quantitative Analyse systematisch bewertet und dabei die Open-Source-Verfügbarkeit unterstreicht.
Die Autoren stellen ein zielbewusstes Video-Diffusionsmodell vor, das durch die Integration von Segmentierungsmasken und Textprompts realistische Videos generiert, in denen Akteure gezielte Interaktionen mit spezifischen Objekten durchführen, und demonstrieren dessen Überlegenheit gegenüber bestehenden Methoden sowie seine Anwendbarkeit in Bereichen wie der 3D-Bewegungssynthese und der langfristigen Videoerstellung.
Das Paper stellt AdaRank vor, einen neuartigen Rahmen für das Zusammenführen von Modellen, der durch adaptive, entropie-minimierende Pruning von Singularwerten während des Testens störende Überlappungen zwischen Aufgaben reduziert und damit einen nahezu optimalen Leistungsstand erreicht.
Die vorgestellte Arbeit führt analytische Konzepte ein, die als mathematisch definierte Brücke zwischen semantischem Common-Sense-Wissen von Multi-modalen Large Language Models und der physischen Welt dienen, um Roboter bei der generalisierten Manipulation von artikulierte Objekten präzise zu steuern.
Die Arbeit stellt OSDM-MReg vor, ein neuartiges Framework zur multimodalen Bildregistrierung, das mithilfe eines einstufigen, zielgerichteten Diffusionsmodells (UTGOS-CDM) die Modalitätslücke überbrückt und durch eine nachfolgende mehrskalige Fusionsnetzwerkarchitektur (MM-Reg) eine präzisere und schnellere Ausrichtung von Fernerkundungsbildern mit großen radiometrischen Unterschieden ermöglicht.
Der Artikel stellt VR-FuseNet vor, ein hybrides Deep-Learning-Modell, das durch die Fusion von VGG19 und ResNet50V2, die Verarbeitung eines ausgewogenen Hybriddatensatzes sowie den Einsatz erklärbarer KI-Methoden eine präzise und klinisch interpretierbare Diagnose der diabetischen Retinopathie mit einer Genauigkeit von 91,824 % ermöglicht.
Die Autoren argumentieren, dass Computer-Vision-Modelle in der Ökologie und Biologie nicht nur anhand herkömmlicher ML-Metriken, sondern durch anwendungsspezifische Kennzahlen bewertet werden sollten, da selbst leistungsstarke Modelle zu erheblichen Abweichungen in den daraus abgeleiteten biologischen Schlussfolgerungen führen können.
Diese Arbeit stellt eine neue Methode vor, die mithilfe von Explainable AI die Beiträge verschiedener Datenkomponenten zu Wasserstein-Abständen erklärt, um so Ursachen für Verteilungsverschiebungen und Transportphänomene präzise zu identifizieren.
Die Arbeit stellt das DURA-Framework vor, das durch einen Key Feature Selector zur Modellierung von Unsicherheit und einen neuen Dynamic Softmax Hinge Loss die Robustheit von textbasierten Personensuchsystemen gegenüber verrauschten Daten verbessert.
Diese Studie liefert den ersten theoretischen Nachweis, dass durch adversariales Pretraining vortrainierte Transformer-Modelle als universell robuste Basis-Modelle fungieren können, die sich durch In-Context-Learning mit sauberen Beispielen ohne weitere adversariale Anpassung robust auf neue Aufgaben übertragen lassen.
Die Autoren stellen den Flexible-weighted Chamfer Distance (FCD) vor, eine asymmetrische Zielfunktion für die Punktwolken-Vervollständigung, die durch die Entkopplung lokaler Präzision und globaler Vollständigkeit strukturelle Mängel wie Punktclustering reduziert und sowohl globale Verteilungsmetriken als auch die visuelle Qualität der Ergebnisse signifikant verbessert.
Das Paper stellt DeepEyes vor, ein Modell, das durch Reinforcement Learning ohne vorgeschaltete überwachte Feinabstimmung lernt, visuelle Informationen aktiv in seinen textbasierten Denkprozess zu integrieren, wodurch es die Leistung bei Wahrnehmungs-, Reasoning- und Halluzinationsaufgaben signifikant verbessert und menschliche visuelle Denkmuster nachahmt.
Die Arbeit stellt GradPCA vor, eine zuverlässige Methode zur Erkennung von Out-of-Distribution-Daten, die die niedrigrangige Struktur von Neuronalen-Netzwerk-Gradienten durch NTK-Ausrichtung und PCA nutzt, um konsistent bessere Ergebnisse als bestehende Verfahren zu erzielen.
Dieses Paper stellt DTR vor, eine neuartige Inferenzzeit-Verteidigung, die durch dynamische Neugewichtung von visuellen Token-Weights in den Key-Value-Caches multimodale Jailbreak-Angriffe auf Vision-Language-Modelle wirksam abwehrt, ohne dabei die allgemeinen Fähigkeiten des Modells oder die Inferenzeffizienz zu beeinträchtigen.
Die Studie stellt Seek-CAD vor, ein training-freies Verfahren, das das lokal ausgeführte Open-Source-LLM DeepSeek-R1 in Kombination mit visuellem Feedback und Chain-of-Thought-Reflexion nutzt, um parametrische 3D-CAD-Modelle selbstverfeinernd zu generieren.
Diese Arbeit stellt zwei deterministische, projektionsbasierte Wahrscheinlichkeits-Kernfunktionen zur effizienten Winkeltests vor, die ohne asymptotische Annahmen auskommen und in der Annäherungssuche nach nächsten Nachbarn (ANNS) eine 2,5- bis 3-fach höhere Durchsatzrate als der HNSW-Algorithmus erreichen.
Die Arbeit stellt Point-MoE vor, ein Mixture-of-Experts-Modell, das durch spärlich aktivierte Experten und einen Router die gemeinsame Schulung heterogener 3D-Punktwolken-Datensätze ohne manuelle Datensatz-Labels ermöglicht und dabei sowohl auf bekannten als auch in Zero-Shot-Szenarien den aktuellen Stand der Technik übertrifft.
Das Paper stellt SenseFlow vor, eine Methode, die durch implizite Verteilungsausrichtung und intrasegmentale Führung die Verteilungsmatching-Destillation erfolgreich auf große flussbasierte Text-zu-Bild-Modelle wie SD 3.5 und FLUX skaliert und dabei überlegene Ergebnisse erzielt.