5787 Arbeiten
Die Studie stellt CaptionFool vor, einen universellen adversarialen Angriff auf Bildbeschreibungsmodelle, der durch die Manipulation weniger Bildpatches eine hohe Erfolgsrate bei der Erzeugung beliebiger, einschließlich beleidigender, Zielbeschreibungen erzielt und damit kritische Sicherheitslücken in Vision-Sprach-Modellen aufzeigt.
Die vorgestellte Arbeit stellt RAFM vor, eine Methode zur unpaarigen CBCT-zu-CT-Übersetzung in der medizinischen Bildgebung, die durch den Einsatz von Retrieval-verstärktem Flow Matching und einem globalen CT-Speicherbank die Stabilität des Trainings verbessert und damit die Qualität synthetischer CT-Bilder für die Strahlentherapie signifikant steigert.
Diese Studie stellt die MIMD-3DVT-Methode vor, einen neuartigen 3D-Vision-Transformer, der durch die Integration von gemischten Daten (soziodemografische Faktoren, kognitive Tests und 3D-MRT-Bilder) sowie die Verarbeitung mehrerer ROI-Eingaben eine Genauigkeit von 97,14 % bei der Klassifizierung von Alzheimer erreicht und damit den aktuellen Stand der Technik übertrifft.
Diese Arbeit stellt mit M-JudgeBench ein zehndimensionales, kapazitätsorientiertes Benchmark zur umfassenden Bewertung von Multimodal-LLMs als Richter vor und schlägt das Daten-Generierungs-Framework Judge-MCTS vor, um durch trainierte Modelle wie M-Judger die Zuverlässigkeit und Leistungsfähigkeit von Bewertungssystemen signifikant zu verbessern.
Das Paper stellt LAS-VAD vor, einen neuartigen Rahmen für die schwach überwachte Videoanomalieerkennung, der durch die Kombination von Anomalie-vernetzten Komponenten, Intentionserkennung und Attributinformationen die semantische Unterscheidung zwischen normalen und anomalen Ereignissen verbessert und damit den aktuellen Stand der Technik auf Benchmark-Datensätzen übertrifft.
Der „Geometry OR Tracker" ist eine zweistufige Pipeline, die durch eine metrische Geometriekorrektur unzuverlässige Kamerakalibrierungen in Operationssälen ausgleicht, um eine konsistente globale Weltreferenz zu schaffen und damit die Genauigkeit der 3D-Verfolgung von Chirurgen und Instrumenten signifikant zu verbessern.
Die Arbeit stellt MIDAS vor, ein Multimodal-Jailbreak-Framework, das schädliche Semantik in mehrere Bilder zerlegt und durch cross-image-Reasoning rekonstruiert, um Sicherheitsmechanismen von Multimodal Large Language Models zu umgehen und dabei eine durchschnittliche Erfolgsrate von 81,46 % bei geschlossenen Modellen zu erreichen.
Die Arbeit stellt DASP vor, ein neuartiges Diagnose-und-Minderungs-Framework für die multimodale Testzeit-Adaptation, das durch die Ausnutzung interdimensionaler Redundanz und eine asymmetrische Strategie mit entkoppelten stabilen und plastischen Komponenten negative Übertragung sowie katastrophales Vergessen effektiv verhindert und so den aktuellen Stand der Technik übertrifft.
Das Paper stellt MicroVerse vor, ein auf einem neuartigen Expertendatensatz trainiertes Videogenerierungsmodell, das zusammen mit dem Benchmark MicroWorldBench den ersten systematischen Ansatz für realistische Mikrowelt-Simulationen in Bereichen wie Biomedizin und Bildung ermöglicht.
Die Arbeit stellt mit LangGap einen neuen Benchmark vor, der aufdeckt, dass aktuelle Vision-Language-Action-Modelle Sprachanweisungen oft ignorieren, und zeigt, dass selbst gezielte Daten-Augmentierung die grundlegende Unfähigkeit dieser Modelle, semantisch vielfältige Anweisungen zu verstehen, nicht vollständig beheben kann.
Die Arbeit stellt UNICBench vor, ein einheitliches Benchmark und Evaluierungstoolkit für multimodale Large Language Models, das erstmals das Zählen über Bilder, Texte und Audiodateien hinweg mit präzisen Ground-Truth-Daten und einer standardisierten Evaluierungsprotokoll rigoros bewertet und dabei signifikante Lücken in der reasoning-Fähigkeit aktueller Modelle aufzeigt.
Diese Arbeit stellt einen datenzentrischen Benchmark, einen neuen öffentlichen Datensatz sowie zwei innovative Methoden vor, die auf Modellunsicherheit, Vorhersagekonsistenz und Repräsentationsanalyse basieren, um Rauschen in den Labels von Fernerkundungsbildern für die semantische Segmentierung effektiv zu identifizieren, zu quantifizieren und zu bewerten.
Die Arbeit stellt IdGlow vor, ein maskenfreies, zweistufiges Framework auf Basis von Flow-Matching-Modellen, das durch adaptive Zeitplanungsstrategien, VLM-gestützte Prompt-Synthese und Direct Preference Optimization die Stabilitäts-Plastizitäts-Dilemma bei der multi-subjektiven Bildgenerierung löst und gleichzeitig hohe Identitätstreue mit ästhetischer Kohärenz vereint.
Der Paper stellt CodeAlign vor, ein effizientes Framework zur Überbrückung von Modality-Isolation in heterogener kollaborativer Wahrnehmung, das durch eine co-occurrence-freie Feature-Code-Feature-Übersetzung mittels Codebooks eine überlegene Leistung bei deutlich reduzierten Parametern und Kommunikationskosten erzielt.
Diese Arbeit stellt den ersten hochwertigen dynamischen Hyperspektral-Datensatz (DynaSpec) vor, entwickelt das effiziente Propagation-Guided Spectral Video Reconstruction Transformer (PG-SVRT) zur Verbesserung der räumlich-spektralen und zeitlichen Konsistenz bei der rekonstruktiven Videobearbeitung und etabliert ein umfassendes Benchmark für die komprimierte spektrale Bildgebung.
Diese Arbeit stellt einen neuartigen Ansatz für das Pruning von 3D-Datensätzen vor, der durch repräsentationsbewusste Teilmengenauswahl mit klassenspezifischen Quoten und prior-invarianter Lehrersupervision die inhärenten Zielkonflikte zwischen Gesamtgenauigkeit und mittlerer Genauigkeit bei langschwanzigen Klassenverteilungen effektiv auflöst.
Die Arbeit stellt RC-GeoCP vor, das erste Framework für die kollaborative Wahrnehmung durch Fusion von 4D-Radar und Kameras, das mittels geometrischer Konsensbildung, unsicherheitsbewusster Kommunikation und eines konsensgesteuerten Assemblers eine präzise Szenenverständnis mit reduziertem Kommunikationsaufwand ermöglicht.
Die Arbeit stellt SCVM vor, einen neuartigen visuellen Rahmen, der durch einen rekursiv aktualisierten cross-layer-Speicher und eine schichtweise Feedback-Modulation die Darstellungsentwicklung steuert, um feingranulare Details zu bewahren und die Leistung multimodaler Sprachmodelle ohne zusätzliche Token, Encoder oder Anpassungen des Sprachmodells zu verbessern.
Die Arbeit stellt HistoSelect vor, ein effizientes, fragegesteuertes Framework für die Analyse gigapixelgroßer pathologischer Ganzschnittbilder, das durch eine zweistufige, gewebebewusste Selektion relevanter Bildbereiche die Token-Nutzung um 70 % reduziert und gleichzeitig die Genauigkeit sowie die Interpretierbarkeit von Frage-Antwort-Aufgaben verbessert.
Diese Arbeit stellt ein neuartiges Framework vor, das mithilfe eines k-Raum-Dual-Channel-U-Net direkt aus unterabgetastetem k-Raum-Daten von Low-Field-MR-Scans hochaufgelöste Bilder rekonstruiert und dabei die Bildqualität voll abgetasteter Aufnahmen erreicht sowie räumliche Nachverarbeitungsmethoden übertrifft.