5841 Arbeiten
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.
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.
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.
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.
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.
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.
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.
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.
Das Paper stellt V-SONAR und V-LCM vor, ein einheitliches Vision-Language-Modell, das durch die Ausrichtung von Bildrepräsentationen auf den multilingualen SONAR-Raum und die Nutzung eines latenten Diffusionsziels state-of-the-art-Ergebnisse bei Video-Captioning und -Fragenbeantwortung in über 60 Sprachen erzielt.
Die Arbeit stellt DP-RGMI vor, ein Framework zur Analyse des Einflusses von Differential Privacy auf medizinische Bilddaten, das Leistungseinbußen durch die Zerlegung in geometrische Verschiebungen des Repräsentationsraums und eine Nutzungslücke zwischen linearer und end-to-end-Verarbeitung erklärt, anstatt nur die Endleistung zu bewerten.
Die Arbeit stellt StrokeDiff vor, ein dateneffizientes Diffusionsmodell mit Smooth Regularization, das aus nur 470 handgezeichneten Proben kontrollierbare, menschenähnliche Ölgemälde-Striche generiert und so eine vollständige, strukturierte Malpipeline ermöglicht.
Die Arbeit stellt „Egocentric Co-Pilot" vor, ein web-natives, neuro-symbolisches Framework für Smart-Glasses, das mittels eines LLM-gesteuerten Agenten mit multimodaler Eingabe und effizientem Kontextmanagement eine assistive, kontextbewusste KI für den Alltag bietet und dabei durch Cloud-Integration sowie lokale Baselines optimierte Latenz und Mobilität demonstriert.
Das Paper stellt GroundedSurg vor, den ersten Benchmark für sprachbasierte Instanzsegmentierung chirurgischer Instrumente, der durch die Verknüpfung von Bildern mit natürlichen Sprachbeschreibungen und präzisen räumlichen Annotationen über verschiedene Eingriffstypen hinweg eine realistischere Evaluierung von KI-Systemen für die klinische intraoperative Assistenz ermöglicht.
Die Arbeit stellt GuiDINO vor, ein Framework, das den vortrainierten DINOv3-Modell als Generator für visuelle Leitmasken nutzt, um durch eine leichte TokenBook-Mechanik und Gate-Steuerung die Segmentierungsleistung medizinischer Bildanalyse-Modelle zu verbessern, ohne diese vollständig neu trainieren zu müssen.
Das Paper stellt ClinCoT vor, einen klinisch bewussten visuellen Chain-of-Thought-Ansatz, der durch eine automatisierte Datengenerierung und eine margin-basierte Optimierung von Präferenzpaaren medizinische Vision-Language-Modelle trainiert, um Halluzinationen zu reduzieren und die faktenbasierte Begründung auf visuelle pathologische Befunde zu stärken.
Die Arbeit stellt PR-ACL vor, ein neues Framework, das durch augmentiertes Anomalie-Kontrastives Lernen und einen vorhersagebasierten Verifizierungsansatz mit iterativen PARB-Modulen die komplexe Aufgabe der Zusammensetzung visueller Relationen (CVR) durch die Identifizierung von Ausreißern löst und dabei den aktuellen Stand der Technik auf mehreren Datensätzen deutlich übertrifft.
Die vorgestellte Arbeit stellt TCD-Net vor, ein auf Vision-Transformern basierendes Bildentstörungsnetzwerk, das durch kausale Interventionen, eine Umgebungsverzerrungsanpassung und eine orthogonale Trennung von Inhalt und Rauschen – unterstützt durch das KI-Modell Nano Banana Pro – eine überlegene Leistung bei gleichzeitiger Echtzeitverarbeitung erreicht.
Der Artikel stellt ArtLLM vor, ein neuartiges Framework, das mithilfe eines 3D-multimodalen Large Language Models direkt aus vollständigen 3D-Meshes hochqualitative, artikulierte Assets mit variabler Teil- und Gelenkstruktur generiert und dabei bestehende Methoden in Bezug auf Genauigkeit und Generalisierungsfähigkeit deutlich übertrifft.
Die Arbeit stellt TC-SSA vor, einen lernbaren Token-Kompressionsansatz mittels semantischer Slot-Aggregation, der die rechenintensive Verarbeitung gigapixelgroßer Pathologiebilder effizient löst, indem diagnostisch relevante Informationen in einer stark reduzierten Token-Anzahl zusammengefasst werden, ohne dabei die diagnostische Genauigkeit zu beeinträchtigen.
Die Studie stellt ConVibNet vor, ein Echtzeit-Framework zur robusten Erkennung von Nadeln in Ultraschallbildern während der kontinuierlichen Insertion, das durch die Nutzung zeitlicher Abhängigkeiten und eines neuartigen Verlusts die Genauigkeit der Nadelpositionierung im Vergleich zu bestehenden Methoden signifikant verbessert.