5787 Arbeiten
Die Arbeit stellt OPGAgent vor, ein mehrstufiges Agentensystem mit spezialisierten Werkzeugen und einem Konsensmechanismus, das die interpretierbare und präzise Analyse von dentalen Panoramaröntgenbildern ermöglicht und dabei bestehende Vision-Language-Modelle sowie medizinische Agenten-Frameworks übertrifft.
Das Paper stellt DreamWorld vor, ein einheitliches Framework für die Videogenerierung, das durch ein gemeinsames Modellierungsparadigma, konsistente Constraint-Annealing und Multi-Source-Inner-Guidance eine kohärente Weltvorstellung mit verbesserter räumlicher, zeitlicher und semantischer Konsistenz erreicht.
Die Autoren stellen ein hardware-algorithmisch co-designtes HDR-Bildgebungssystem vor, das eine asymmetrische Kombination aus einem SVE-Mikroabschwächungskamera- und einem Event-Sensor durch ein zweistufiges Ausrichtungsframework und ein fusionierendes Rekonstruktionsnetzwerk nutzt, um in extremen Lichtverhältnissen überbelichtete Bereiche zu rekonstruieren und die Bildqualität gegenüber reinen Einzelmodalitätsansätzen signifikant zu verbessern.
Die Arbeit stellt mit FEWTRANS ein umfassendes Benchmark und das Hyperparameter-Ensemble-Protokoll vor, um die Few-Shot-Übertragbarkeit vorzutrainierter Modelle rigoros zu evaluieren und dabei zu zeigen, dass einfache Vollparameter-Fine-Tuning-Methoden aufgrund verteilter Mikroanpassungen oft komplexeren Ansätzen überlegen sind.
Das Paper stellt U-VLM vor, ein hierarchisches Vision-Language-Modell, das durch progressive Vorverarbeitung von Segmentierungs- zu Klassifikations- und Berichtsaufgaben sowie durch mehrschichtige visuelle Injektion von U-Net-Features in den Sprachdecoder den aktuellen Stand der Technik bei der automatisierten Generierung radiologischer Berichte aus 3D-Bildern übertrifft.
Diese Arbeit entwickelt ein probabilistisches Rahmenwerk zur Quantifizierung des Einflusses physischer adversarialer Beispiele auf Wahlergebnisse und zeigt durch umfangreiche Experimente mit 144.000 ausgedruckten Stimmzetteln auf, dass sich die effektivsten Angriffsarten im physischen Bereich von denen im digitalen Bereich unterscheiden.
Das Paper stellt TaiChi vor, ein neuartiges Vision-Language-Model-Framework mit einer dualen Visual-Tokenizer-Architektur, einem bilateralen Aufmerksamkeitsnetzwerk und einem KAN-basierten Projektionsmodul, das die Grenzen bestehender Modelle überwindet und eine effiziente multimodale sowie multitaskige Token-Kommunikation ermöglicht.
Das Paper stellt RAISE vor, ein trainingsfreies, evolutionäres Framework, das durch anforderungsbasierte adaptive Skalierung und Selbstverbesserung während der Inferenz eine präzise Text-zu-Bild-Ausrichtung bei gleichzeitiger Reduzierung der Rechenkosten erreicht.
Die Arbeit stellt fest, dass eine einfache zufällige Gruppierungsstrategie für Vision-Token komplexe, speziell entworfene Methoden übertrifft, sofern vier Schlüsselkriterien wie Positionsinformation und globale Rezeptivfelder erfüllt sind, und demonstriert ihre Wirksamkeit über verschiedene visuelle und multimodale Aufgaben hinweg.
Der Artikel stellt ArtiFixer vor, eine zweistufige Methode, die ein bidirektionales generatives Modell mit einem neuartigen Opazitäts-Mixing-Strategie trainiert und dieses in ein kausales auto-regressives Modell destilliert, um 3D-Rekonstruktionen durch die effiziente Generierung konsistenter neuer Ansichten zu verbessern und Artefakte in nicht beobachteten Bereichen zu beheben.
Das Paper stellt COG vor, ein unüberwachtes Framework, das durch die Formulierung der Korrespondenzschätzung als konfidenzbewusstes Optimal-Transport-Problem robuste 6DoF-Pose-Schätzungen für neue Objekte aus einer einzigen Referenzansicht ermöglicht und dabei visuelle Grundmodelle zur Regularisierung nutzt.
Die Arbeit stellt M² vor, ein trainingsfreies, dual-memorisches Framework, das durch dynamische Trajektorienzusammenfassung und Wissensabruf die Effizienz und Erfolgsrate von multimodalen Web-Agenten bei langfristigen Aufgaben erheblich steigert.
Die Studie stellt HiClass vor, ein hierarchisches Klassifizierungsframework für die Histopathologie, das durch bidirektionale Feature-Integration und maßgeschneiderte Verlustfunktionen die diagnostische Genauigkeit bei der Analyse von Ganzschnittbildern verbessert, indem es sowohl grobe als auch feine Klassenbeziehungen nutzt.
Diese Studie stellt mit dem Werkzeug EmbedLens fest, dass Multimodale Large Language Models (MLLMs) eine ausgeprägte semantische Spärlichkeit aufweisen, bei der nur etwa 60 % der visuellen Tokens („alive") relevante Bildinformationen tragen, wodurch die meisten internen visuellen Berechnungen als redundant entlarvt werden und eine effizientere Architektur durch Token-Pruning sowie die direkte Injektion in mittlere LLM-Schichten ermöglicht wird.
Die Arbeit stellt MMA-RAG vor, ein multimodales System, das durch die Analyse interner Repräsentationen dynamisch entscheidet, wann externe Wissensabrufe zur Reduzierung von Halluzinationen in der Visual Question Answering integriert werden sollten, und dadurch die Antwortgenauigkeit auf mehreren Datensätzen signifikant verbessert.
Die Arbeit stellt MLLM-4D vor, ein Framework, das durch eine kosteneffiziente Datenerstellung und eine spezielle Nachtrainierungsstrategie mit GRPO und räumlich-zeitlichem Chain-of-Thought die Fähigkeit multimodaler Großsprachenmodelle verbessert, 3D-Räume über die Zeit ausschließlich aus 2D-RGB-Bildern zu verstehen und zu schlussfolgern.
Das Paper stellt Vision-TTT vor, eine effiziente und ausdrucksstarke visuelle Repräsentationsmethode, die Test-Time Training mit bidirektionalen Scans und Conv2d-Modulen kombiniert, um die quadratische Komplexität von Vision Transformern zu überwinden und dabei auf ImageNet hohe Genauigkeit bei deutlich reduziertem Rechenaufwand und Speicherbedarf zu erreichen.
Das Paper stellt Jano vor, ein training-freies Framework für Diffusionsmodelle, das durch die Erkennung heterogener Konvergenzmuster in frühen Denoising-Schritten und eine adaptive Token-Scheduling-Strategie die Recheneffizienz um das 2- bis 2,4-fache steigert, ohne die Generierungsqualität zu beeinträchtigen.
Die Arbeit stellt Mesh-Pro vor, ein asynchrones Reinforcement-Learning-Framework mit einem neuartigen ARPO-Algorithmus und einer diagonalbewussten Tokenisierung, das die Trainingsgeschwindigkeit und die Generierungsqualität von künstlerischen quadratischen Meshes im Vergleich zu bestehenden Methoden signifikant verbessert.
Die Arbeit stellt TP-Spikformer vor, eine effiziente Token-Pruning-Methode für Spiking Transformer, die durch ein heuristisches Kriterium zur Erhaltung räumlich-zeitlicher Informationen und eine Block-Level-Frühstopstrategie den Rechen- und Speicherbedarf reduziert, ohne die Genauigkeit zu beeinträchtigen und dabei trainingsfrei funktioniert.