cs.CV Arbeiten | Gist.Science

EraseAnything++: Enabling Concept Erasure in Rectified Flow Transformers Leveraging Multi-Object Optimization

EraseAnything++ ist ein einheitliches Framework, das durch die Formulierung als eingeschränktes Mehrziel-Optimierungsproblem, implizite Gradienten-Chirurgie sowie eine Anker- und Propagierungs-Mechanik eine effektive Konzept-Eliminierung in modernen Flow-Matching-basierten Diffusionsmodellen für Bilder und Videos ermöglicht, ohne dabei die generative Qualität oder zeitliche Konsistenz zu beeinträchtigen.

Zhaoxin Fan, Nanxiang Jiang, Daiheng Gao + 2 more2026-03-03🤖 cs.AI

Fake It Right: Injecting Anatomical Logic into Synthetic Supervised Pre-training for Medical Segmentation

Die Arbeit stellt einen anatomieinformierten synthetischen Überwachungs-Vorabtrainingsrahmen vor, der durch den Einsatz einer deidentifizierten Formbank und einer strukturorientierten Platzierungsstrategie die semantische Lücke zwischen generischen mathematischen Primitive und realer Anatomie schließt, um die Leistung von medizinischen Segmentierungsmodellen ohne Datenschutzbarrieren signifikant zu steigern.

Jiaqi Tang, Mengyan Zheng, Shu Zhang + 2 more2026-03-03💻 cs

Event-Anchored Frame Selection for Effective Long-Video Understanding

Die Arbeit stellt EFS (Event-Anchored Frame Selection) vor, eine trainingsfreie, hierarchische Methode zur Auswahl von Schlüsseldaten aus langen Videos, die durch die Identifizierung semantischer Ereignisse und eine adaptive Relevanzoptimierung die Leistung bestehender Large Vision-Language Models auf Benchmarks wie VideoMME signifikant verbessert.

Wang Chen, Yongdong Luo, Yuhui Zeng + 5 more2026-03-03💻 cs

The Texture-Shape Dilemma: Boundary-Safe Synthetic Generation for 3D Medical Transformers

Diese Arbeit stellt einen physikinspirierten, räumlich entkoppelten Syntheseansatz vor, der das Problem der Grenz-Aliasing bei der texturbasierten Erzeugung medizinischer Bilddaten löst und so Vision Transformer-Modelle durch eine verbesserte Trennung von Form- und Texturlernen signifikant präziser und dateneffizienter macht.

Jiaqi Tang, Weixuan Xu, Shu Zhang + 2 more2026-03-03💻 cs

Foundation Models in Remote Sensing: Evolving from Unimodality to Multimodality

Diese umfassende technische Übersicht untersucht die Entwicklung von Fundamentmodellen in der Fernerkundung von unimodalen zu multimodalen Ansätzen, bietet eine systematische Kategorisierung bestehender Modelle und liefert ein praxisorientiertes Tutorial, um Forschern den Einstieg und die Anwendung in diesem schnell wachsenden Bereich zu erleichtern.

Danfeng Hong, Chenyu Li, Xuyang Li + 2 more2026-03-03💻 cs

MLRecon: Robust Markerless Freehand 3D Ultrasound Reconstruction via Coarse-to-Fine Pose Estimation

MLRecon ist ein robuster, markerloser Rahmen für die 3D-Ultraschallrekonstruktion, der mithilfe eines handelsüblichen RGB-D-Kamerasystems, visueller Fundamentmodelle und einer zweistufigen Pose-Verfeinerung driftresistentes 6D-Tracking mit submillimetergenauer Genauigkeit ermöglicht.

Yi Zhang, Puxun Tu, Kun Wang + 3 more2026-03-03💻 cs

GeodesicNVS: Probability Density Geodesic Flow Matching for Novel View Synthesis

Die Arbeit stellt GeodesicNVS vor, ein Novel-View-Synthesis-Verfahren, das durch die Kombination von deterministischem Data-to-Data Flow Matching und einer geometrischen Regularisierung mittels geodätischer Interpolanten auf der Datenmannigfaltigkeit eine konsistente und strukturell kohärente Bildsynthese über verschiedene Blickwinkel hinweg ermöglicht.

Xuqin Wang, Tao Wu, Yanfeng Zhang + 5 more2026-03-03💻 cs

Implementation of Licensed Plate Detection and Noise Removal in Image Processing

Das Papier beschreibt die Implementierung eines Systems zur Erkennung und Rauschunterdrückung von Kfz-Kennzeichen, das angesichts des steigenden Fahrzeugbestands in Malaysia für Anwendungen wie elektronische Parksysteme, Mauterhebung und Verkehrsaufsicht sowie für interdisziplinäre Zwecke genutzt werden kann.

Yiquan Gao2026-03-03⚡ eess

RaUF: Learning the Spatial Uncertainty Field of Radar

Das Paper stellt RaUF vor, ein Framework zur Lernung von räumlichen Unsicherheitsfeldern für Millimeterwellen-Radare, das durch ein anisotropes probabilistisches Modell und einen bidirektionalen Domänen-Aufmerksamkeitsmechanismus die räumliche Genauigkeit verbessert und die Zuverlässigkeit von Detektionen unter schwierigen Wetterbedingungen erhöht.

Shengpeng Wang, Kuangyu Wang, Wei Wang2026-03-03💻 cs

Content-Aware Frequency Encoding for Implicit Neural Representations with Fourier-Chebyshev Features

Die Arbeit stellt CAFE und dessen Erweiterung CAFE+ vor, die durch die Kombination von Fourier- und Tschebyschow-Features mit lernbaren Gewichten die spektrale Verzerrung von impliziten neuronalen Repräsentationen überwinden und so eine effizientere Erfassung hochfrequenter Details ermöglichen.

Junbo Ke, Yangyang Xu, You-Wei Wen + 1 more2026-03-03🤖 cs.AI

Vision-Language Feature Alignment for Road Anomaly Segmentation

Die Arbeit stellt VL-Anomaly vor, ein neuartiges Framework zur Segmentierung von Straßenanomalien, das durch die Ausrichtung visueller Merkmale mit semantischen Sprachpriors aus vortrainierten Vision-Language-Modellen die Fehlalarmrate in normalen Hintergrundbereichen senkt und die Erkennung unbekannter Hindernisse verbessert.

Zhuolin He, Jiacheng Tang, Jian Pu + 1 more2026-03-03💻 cs

SMR-Net:Robot Snap Detection Based on Multi-Scale Features and Self-Attention Network

Dieses Paper stellt SMR-Net vor, einen selbstaufmerksamkeitsbasierten Multi-Scale-Algorithmus in Kombination mit einem dedizierten Sensor, der die Robustheit und Genauigkeit der Snap-Erkennung und -Lokalisierung in der Robotik-Assembly im Vergleich zu herkömmlichen Methoden signifikant verbessert.

Kuanxu Hou2026-03-03💻 cs

From Intuition to Investigation: A Tool-Augmented Reasoning MLLM Framework for Generalizable Face Anti-Spoofing

Die Arbeit stellt TAR-FAS vor, ein Tool-augmentiertes Reasoning-Framework für MLLMs, das durch die adaptive Einbindung externer visueller Werkzeuge und ein neuartiges Trainingsverfahren mit DT-GRPO die Generalisierbarkeit von Face Anti-Spoofing-Systemen über verschiedene Domänen hinweg signifikant verbessert.

Haoyuan Zhang, Keyao Wang, Guosheng Zhang + 11 more2026-03-03🤖 cs.AI

MM-DeepResearch: A Simple and Effective Multimodal Agentic Search Baseline

Die Arbeit stellt MM-DeepResearch vor, einen leistungsstarken multimodalen Forschungsagenten, der durch die Einführung von Hyper-Search zur Datengenerierung, DR-TTS zur Optimierung von Suchwerkzeug-Experten und einer Offline-Suchmaschine für kosteneffizientes Reinforcement Learning komplexe Suchaufgaben effektiv löst.

Huanjin Yao, Qixiang Yin, Min Yang + 5 more2026-03-03🤖 cs.AI

Unleashing VLA Potentials in Autonomous Driving via Explicit Learning from Failures

Die Arbeit stellt ELF-VLA vor, ein Framework, das die Leistung von Vision-Language-Action-Modellen im autonomen Fahren durch explizites Lernen aus Fehlern mittels strukturierter diagnostischer Rückmeldungen und gezielter Verfeinerung steigert und damit neue State-of-the-Art-Ergebnisse auf dem NAVSIM-Benchmark erzielt.

Yuechen Luo, Qimao Chen, Fang Li + 5 more2026-03-03💻 cs

LLaDA-o: An Effective and Length-Adaptive Omni Diffusion Model

Das Paper stellt LLaDA-o vor, ein effizientes und längenadaptives Omni-Diffusionsmodell auf Basis eines Mixture-of-Diffusion-Frameworks, das diskrete Textverständnis- und kontinuierliche Bildgenerierungsprozesse über einen gemeinsamen Attention-Backbone vereint und dabei state-of-the-art-Ergebnisse auf multimodalen Benchmarks erzielt.

Zebin You, Xiaolu Zhang, Jun Zhou + 2 more2026-03-03🤖 cs.LG

SHIELD8-UAV: Sequential 8-bit Hardware Implementation of a Precision-Aware 1D-F-CNN for Low-Energy UAV Acoustic Detection and Temporal Tracking

Die Arbeit stellt SHIELD8-UAV vor, einen energieeffizienten, sequentiellen 8-Bit-Hardware-Beschleuniger für eine 1D-F-CNN, der durch schichtsensitives Quantisieren und strukturiertes Beschneiden eine präzise UAV-Akustikdetektion und -verfolgung mit geringem Leistungsbedarf und geringer Latenz auf FPGA- und ASIC-Ebene ermöglicht.

Susmita Ghanta, Karan Nathwani, Rohit Chaurasiya2026-03-03⚡ eess

Adaptive Augmentation-Aware Latent Learning for Robust LiDAR Semantic Segmentation

Die Arbeit stellt A3Point vor, ein adaptives Framework für das latente Lernen, das durch die Entkopplung von semantischer Verwirrung und semantischem Shift die Robustheit von LiDAR-Semantiksegmentierung unter widrigen Wetterbedingungen verbessert und neue State-of-the-Art-Ergebnisse erzielt.

Wangkai Li, Zhaoyang Li, Yuwen Pan + 3 more2026-03-03💻 cs

Beyond Global Similarity: Towards Fine-Grained, Multi-Condition Multimodal Retrieval

Die Arbeit stellt MCMR vor, einen umfassenden Benchmark für das feingranulare, mehrkonditionale multimodale Retrieval in fünf Produktbereichen, der zeigt, dass MLLM-basierte Reranker die Genauigkeit durch explizite Konsistenzprüfung verbessern und dabei unterschiedliche Stärken visueller und textueller Merkmale aufdecken.

Xuan Lu, Kangle Li, Haohang Huang + 3 more2026-03-03💻 cs

Can Vision Language Models Assess Graphic Design Aesthetics? A Benchmark, Evaluation, and Dataset Perspective

Diese Arbeit stellt mit AesEval-Bench das erste umfassende Benchmark, eine systematische Evaluierung verschiedener Vision-Language-Modelle und einen Trainingsdatensatz vor, um die Fähigkeit von KI-Modellen zur ästhetischen Bewertung von Grafikdesign zu untersuchen und zu verbessern.

Arctanx An, Shizhao Sun, Danqing Huang + 5 more2026-03-03💻 cs

← Zurück Weiter →