5768 Arbeiten
Diese Studie zeigt, dass die Leistung von medizinischen Bildsegmentierungsmodellen einem geometriebegrenzten Skalierungsgesetz folgt, das durch topologiebewusste Augmentierung zwar effizienter gestaltet, aber nicht in seiner grundlegenden Struktur verändert werden kann.
Die Arbeit stellt VeCoR vor, eine kontrastive Regularisierungsmethode für Flow Matching, die durch die Einführung einer zweiseitigen Anziehungs- und Abstoßungs-Supervision die Stabilität und Bildqualität verbessert, indem sie den gelernten Geschwindigkeitsfeldern hilft, auf dem Datenmanifold zu bleiben und Fehler in leichten oder wenigstufigen Konfigurationen zu reduzieren.
Das Paper stellt UltraViCo vor, eine trainingsfreie Methode, die durch die Unterdrückung der Aufmerksamkeit für Tokens außerhalb des Trainingsfensters die Extrapolationsgrenze von Video-Diffusions-Transformern von 2x auf 4x erweitert und dabei sowohl periodische Wiederholungen als auch Qualitätsverluste effektiv behebt.
Die Arbeit stellt ReSAM vor, einen selbst-promptenden Rahmen, der das Segment Anything Model (SAM) durch einen „Verfeinern-Nachfragen-Stärken"-Prozess und schwache Punkt-Annotationen an Fernerkundungsbilder anpasst, um die Segmentierungsqualität und Domänenrobustheit ohne vollständige Masken-Supervision zu verbessern.
Das Paper stellt InnoGym vor, den ersten Benchmark und ein Framework zur systematischen Bewertung des Innovationspotenzials von KI-Agenten durch die Messung von Leistungssteigerung und methodischer Neuheit in 18 realen Aufgaben, wobei Experimente eine Lücke zwischen Kreativität und Robustheit aufzeigen.
Die Arbeit stellt AdaptVision vor, ein effizientes Vision-Language-Modell, das durch einen vom Menschen inspirierten, adaptiven Mechanismus zur schrittweisen visuellen Informationsgewinnung und eine neuartige, entkoppelte Reinforcement-Learning-Optimierung (DTPO) die Anzahl der benötigten visuellen Tokens minimiert und dabei die Genauigkeit bei visuellen Frage-Antwort-Aufgaben verbessert.
Die Arbeit stellt FARL vor, ein neuartiges Framework, das durch Fourier-Analyse und einen dualen Cross-Attention-Mechanismus strukturelle und stilistische Bildmerkmale entwirrt, um die Few-Shot-Generalisierung von Vision-Language-Modellen zu verbessern.
Diese Studie stellt einen leichten, unüberwachten Deep-Learning-Ansatz auf Basis eines Variational Auto-Encoders vor, der hochauflösende Planet-Labs-Satellitendaten nutzt, um brandbetroffene Gebiete im Sudan innerhalb von 24 bis 30 Stunden mit überlegener Genauigkeit zu erkennen und somit eine skalierbare, nahezu Echtzeit-Überwachung von Konfliktfolgen ermöglicht.
Diese Studie isoliert systematisch den Einfluss der Maskierungsfamilie auf die kontinuierliche Testzeit-Anpassung und zeigt, dass räumliche Maskierung auf patch-basierten Architekturen stabilisierend wirkt, während Frequenzmaskierung nur bei CNNs oder feinabgestimmten Aufgaben mit globalen Hinweisen konkurrenzfähig ist.
Die Arbeit stellt Brain-Semantoks vor, ein selbstüberwachtes Framework mit einem semantischen Tokenizer und einem Selbst-Distillation-Ziel, das robuste, abstrakte Repräsentationen von fMRI-Zeitreihen lernt und damit auch mit wenigen gelabelten Daten starke Leistungen bei verschiedenen Downstream-Aufgaben sowie verbesserte Out-of-Distribution-Performance ermöglicht.
Die Arbeit stellt -CLIP vor, ein Framework für mehrstufiges kontrastives Lernen, das durch dynamisches Pooling und einen neuartigen -CAL-Verlust eine präzise, hierarchische Ausrichtung zwischen Textgranularitäten und Bildregionen erreicht und damit den State-of-the-Art bei dichten Vision-Language-Aufgaben ohne harte Negativbeispiele setzt.
CRISP ist eine Methode, die aus monokularen Videos simulierbare menschliche Bewegungen und saubere, physikalisch plausible Szenengeometrien rekonstruiert, indem sie planare Primitiven nutzt und menschlich-szenische Kontakte modelliert, um die Erfolgsrate beim Bewegungs-Tracking erheblich zu steigern und die Real-zu-Simulation-Anwendung für Robotik und AR/VR zu verbessern.
Die Arbeit stellt SoFlow vor, ein Framework für die effiziente einstufige Generierung, das durch eine neuartige Kombination aus Flow-Matching- und Konsistenzverlusten (ohne aufwendige Jacobian-Produktberechnung) bessere FID-Ergebnisse als MeanFlow-Modelle auf ImageNet erzielt.
Diese Arbeit stellt ein interpretierbares, multimodales KI-Framework vor, das klinische Bilddaten mit Familienanamnese kombiniert, um die Diagnose von Hauterkrankungen zu verbessern, wobei die Validierung durch prospektive klinische Studien als zukünftige Arbeit geplant ist.
Die Arbeit stellt GeoTeacher vor, einen geometriegeführten semi-supervisierten Ansatz für die 3D-Objekterkennung, der durch eine keypoints-basierte geometrische Überwachungskomponente und eine vokalbasierte Daten-Augmentierungsstrategie mit Distanz-Decay-Mechanismus die Lernfähigkeit von Modellen bei begrenzten gelabelten Daten verbessert und neue State-of-the-Art-Ergebnisse auf den Datensätzen ONCE und Waymo erzielt.
Die Studie stellt ForCM vor, eine neuartige Methode zur Kartierung der Waldbedeckung im Amazonas-Regenwald mittels multispektraler Sentinel-2-Bilder, die Deep-Learning-Modelle (insbesondere AttentionUNet und ResUNet) mit der Objektbasierten Bildanalyse (OBIA) kombiniert und dabei eine höhere Genauigkeit als traditionelle OBIA-Verfahren erreicht.
Die Arbeit stellt CEM vor, einen plugin-basierten Ansatz zur Minimierung kumulativer Fehler durch dynamische Programmierung, der die Genauigkeit von beschleunigten Diffusion-Transformern ohne zusätzlichen Rechenaufwand signifikant verbessert.
Die Arbeit stellt PiNets als ein neues Modellierungsframework vor, das durch eine pseudo-lineare Struktur und das Prinzip der Modelllesbarkeit sicherstellt, dass Erklärungen für neuronale Netze nicht nur rationalisierend, sondern tatsächlich die Vorhersagen begründen (ausgerichtet) und dabei gleichzeitig aussagekräftig, robust und hinreichend sind.
Die Arbeit stellt TP-Blend vor, ein leichtgewichtiges, trainingsfreies Framework für Diffusionsmodelle, das durch zwei komplementäre Aufmerksamkeitsprozesse (CAOF und SASF) die präzise gleichzeitige Kombination eines neuen Objekts und eines neuen Stils in einem einzigen Denoising-Prozess ermöglicht und dabei sowohl geometrische Struktur als auch feine Texturdetails erhält.
Der Artikel stellt eine Trainings-freie Methode zur zero-shot 3D-Ausrichtung von Meshes vor, die durch CLIP-Gradienten, geometrische Beschränkungen und einen phasenweisen Optimierungsplan semantisch treue und physikalisch plausible Objektinteraktionen ermöglicht.