5768 Arbeiten
Die Studie stellt GUARD vor, ein neuartiges Framework zur präzisen Minderung von Memorization in Text-zu-Bild-Diffusionsmodellen, das durch eine dynamische, prompt-spezifische Abschwächung der Cross-Attention während der Inferenz die Wiedergabe von Trainingsdaten verhindert, ohne dabei die Bildqualität zu beeinträchtigen.
Die Arbeit stellt TinyVLM vor, ein Framework, das durch eine entkoppelte Architektur, Matryoshka-Distillation und quantisierte Embeddings erstmals eine Zero-Shot-Objekterkennung auf ressourcenbeschränkten Mikrocontrollern mit weniger als 1 MB Speicher ermöglicht.
Die vorgestellte Arbeit stellt Latent Replay Detection (LRD) vor, ein bahnbrechendes Framework für das kontinuierliche Lernen von Objekterkennung auf Mikrocontrollern, das durch task-adaptive Kompression und räumlich diverse Exemplarauswahl die Speichereinschränkungen von nur 64 KB überwindet und so erstmals eine effiziente Nachtrainingsfähigkeit auf Edge-Geräten ermöglicht.
Die Arbeit stellt TerrAI, ein neuronales Netzwerk zur datengestützten Schätzung des Stickstoffbedarfs in Weizenfeldern mittels multispektraler Bilder, vor, um eine präzise und nachhaltige Düngung zu ermöglichen.
Die Arbeit stellt RADS vor, ein Inferenzzeit-Framework, das durch reachability-constrained Reinforcement Learning die Memorierung in Text-zu-Bild-Diffusionsmodellen verhindert, ohne dabei die Bildqualität oder Prompt-Übereinstimmung zu beeinträchtigen.
Die Arbeit stellt ADE-CoT vor, ein adaptives Testzeit-Scaling-Framework für die Bildbearbeitung, das durch difficulty-awaree Ressourcenverteilung, edit-spezifische Verifikation und opportunistisches Stoppen die Effizienz und Leistung bestehender Modelle im Vergleich zu Best-of-N-Methoden bei mehr als doppelter Geschwindigkeit signifikant verbessert.
Das Paper stellt GrapHist vor, ein neuartiges selbstüberwachtes Graph-Lernframework für die Histopathologie, das Masked Autoencoder und heterophile Graph-Neuronale Netze nutzt, um biologisch fundierte Einbettungen zu erlernen, die bei gleichzeitiger Reduktion der Parameterzahl um das Vierfache eine überlegene Leistung in verschiedenen Aufgaben und eine hohe Übertragbarkeit auf neue Domänen bieten.
Die Arbeit stellt DHVAE vor, einen entkoppelten hierarchischen VAE mit latentem Diffusionsprozess, der durch eine CoTransformer-Architektur und kontrastives Lernen realistische und physikalisch plausible 3D-Interaktionen zwischen Menschen generiert.
Das Papier stellt M-Gaussian vor, ein effizientes Framework, das 3D-Gaussian-Splatting anpasst, um aus multi-stack MRI-Daten hochwertige, isotrope Volumina mit deutlich verbesserter Rechengeschwindigkeit im Vergleich zu bisherigen Methoden zu rekonstruieren.
Die Studie zeigt, dass ein mechanistisch geleiteter LoRA-Ansatz, der Sparse Autoencoder auf MedGemma-4B anwendet und eine kombinierte Verlustfunktion nutzt, die Paraphrasen-Konsistenz medizinischer Bild-Sprach-Modelle signifikant verbessert, ohne deren Antwortgenauigkeit zu beeinträchtigen.
Das Paper stellt ReMD vor, ein physik-konsistentes Diffusionsframework, das durch Multigrid-Residuenkorrektur und eine Multi-Wavelet-Basis eine effiziente und physikalisch korrekte Super-Resolution von Fluiden mit hoher spektraler Treue und deutlich weniger Sampling-Schritten ermöglicht.
Diese Arbeit zeigt, dass Diffusionsmodelle urheberrechtlich geschützte Bilder durch eine rein gradientenbasierte Methode namens „Anker und Shim" replizieren können, die selbst fortschrittliche Wasserzeichen und andere Schutzmechanismen umgeht.
Dieses Papier stellt eine Multi-View-Architektur zur Vorhersage des Fortschritts von Roboter-Manipulationsaufgaben vor, die das Problem der Selbstverdeckung durch den Einsatz mehrerer Kameras löst und auf dem Mobile ALOHA-Datensatz erfolgreich validiert wurde.
Der Artikel stellt EfficientPosterGen vor, ein effizientes End-zu-End-Framework zur automatischen Erstellung wissenschaftlicher Poster, das durch semantische Informationsreduktion, visuelle Kontextkomprimierung und einen agentenfreien Layout-Verifikationsalgorithmus die Token-Nutzung minimiert und gleichzeitig die Layout-Zuverlässigkeit sowie die Informationsdichte verbessert.
Das Paper stellt BiCLIP vor, ein bidirektionales und konsistentes Sprach-Bild-Verarbeitungsframework, das durch iterative Merkmalsverfeinerung und Augmentationskonsistenz die Robustheit der medizinischen Bildsegmentierung unter klinischen Bedingungen mit wenigen Annotationen und Bildartefakten signifikant verbessert.
Die Studie stellt FujiView vor, ein multimodales Late-Fusion-Framework, das Webcam-Bilder mit meteorologischen Daten kombiniert, um die Sichtbarkeit des Berges Fuji präzise vorherzusagen und dabei eine Genauigkeit von bis zu 89 % für Tagesprognosen erreicht.
Der Artikel stellt FlowPortrait vor, ein Reinforcement-Learning-Framework, das mittels eines auf Multimodalen Large Language Models basierenden Bewertungssystems und Group Relative Policy Optimization realistische, lippen-synchrone Porträtvideos aus Audio generiert und dabei bestehende Probleme wie unnatürliche Bewegungen und unzureichende Evaluierungsmetriken überwindet.
Diese Studie stellt ein robustes Unkrauterkennungsmodell für Gemüseanbau vor, das durch die Feinabstimmung eines DINOv3-Vision-Transformers auf einem großen, kuratierten Datensatz und dessen Integration in die YOLO26-Architektur die Genauigkeit und Domänenübergreifende Generalisierung im Vergleich zu Standardmodellen signifikant verbessert, während es dennoch Echtzeit-Leistung beibehält.
Der Artikel stellt SKINOPATHY AI vor, eine smartphonebasierte Webanwendung, die mithilfe von leichtgewichtiger Computervision fünf erklärbare Screening-Module für die Augenheilkunde in ressourcenarmen Umgebungen ohne Cloud-Inferenz bereitstellt und so eine datenschutzkonforme, nicht-diagnostische Früherkennung ermöglicht.
Das Paper stellt GazeXPErT vor, ein einzigartiges 4D-Augenzug-Datenset von Experten für FDG-PET/CT-Scans, das durch die Integration von Blickbewegungsmustern in KI-Modelle die Genauigkeit der Tumorsegmentierung und die Erklärbarkeit medizinischer Diagnosen signifikant verbessert.