5861 Arbeiten
Die Studie stellt Seek-CAD vor, ein training-freies Verfahren, das das lokal ausgeführte Open-Source-LLM DeepSeek-R1 in Kombination mit visuellem Feedback und Chain-of-Thought-Reflexion nutzt, um parametrische 3D-CAD-Modelle selbstverfeinernd zu generieren.
Die Studie führt einen raten-verzerrungstheoretischen Rahmen ein, der durch zwei geometrische Signaturen (Steigung und Krümmung) die Kompromisse zwischen Genauigkeit und Robustheit quantifiziert und zeigt, dass sich menschliche und künstliche Sehsysteme trotz eines gemeinsamen Verlustkompressionsprinzips in ihrer Generalisierungsgeometrie systematisch unterscheiden.
Diese Studie liefert den ersten theoretischen Nachweis, dass durch adversariales Pretraining vortrainierte Transformer-Modelle als universell robuste Basis-Modelle fungieren können, die sich durch In-Context-Learning mit sauberen Beispielen ohne weitere adversariale Anpassung robust auf neue Aufgaben übertragen lassen.
Die Arbeit stellt COMPASS vor, ein Framework zur effizienten und robusten konformen Vorhersage von medizinischen Segmentierungsmetriken, das durch Kalibrierung im Merkmalsraum der neuronalen Netze präzisere Unsicherheitsintervalle liefert als herkömmliche Methoden.
Die Arbeit stellt ConVOLT vor, ein effizientes Framework zur konformen Unsicherheitsquantifizierung, das durch die Nutzung von Deformationsfeld-Eigenschaften bei der template-basierten Segmentierung in der medizinischen Bildverarbeitung deutlich schärfere Volumenintervalle bei garantierter Abdeckung erzeugt als herkömmliche Methoden im Ausgaberaum.
Diese Arbeit stellt eine neue Methode vor, die mithilfe von Explainable AI die Beiträge verschiedener Datenkomponenten zu Wasserstein-Abständen erklärt, um so Ursachen für Verteilungsverschiebungen und Transportphänomene präzise zu identifizieren.
Diese Arbeit stellt einen öffentlich verfügbaren Datensatz mit 21 Videos und einer Taxonomie von 90 für blinde und sehbehinderte Personen entscheidenden Objekten vor, der aufzeigt, dass aktuelle Computer-Vision-Modelle für die Navigation dieser Zielgruppe unzureichend sind und die Notwendigkeit spezialisierter Trainingsdaten unterstreicht.
Diese Arbeit stellt ein modellagnostisches, mehrkriterielles Evaluierungsframework vor, das den Trade-off zwischen Nutzen und Fairness in Machine-Learning-Systemen, insbesondere im medizinischen Bildbereich, durch eine kompakte Visualisierung und quantitative Analyse systematisch bewertet und dabei die Open-Source-Verfügbarkeit unterstreicht.
Die Arbeit stellt TADSR vor, ein zeitaufmerksames Ein-Schritt-Diffusionsnetzwerk, das durch einen zeitaufmerksamen VAE-Encoder und einen entsprechenden VSD-Verlust die generativen Priors eines vortrainierten Stable-Diffusion-Modells bei variierenden Zeitschritten effektiv nutzt, um für die reale Bild-Super-Resolution sowohl einen State-of-the-Art-Ergebnis als auch eine kontrollierbare Balance zwischen Fidelity und Realismus zu erreichen.
Das Paper stellt MSSPlace vor, eine Methode zur multimodalen Ortserkennung, die durch die späte Fusion von Daten mehrerer Kameras, LiDAR-Punktwolken, semantischen Segmentierungsmasken und Textbeschreibungen den Zustand der Technik auf den Datensätzen Oxford RobotCar und NCLT erreicht.
Die Autoren stellen einen neuartigen, entkoppelten Multi-Modal-Lernrahmen vor, der durch die Zerlegung von Histologie- und Transkriptomdaten in Tumor- und Mikroumgebungs-Subräume, eine konsistente Mehrskalen-Integration und eine wissensbasierte Destillation ohne strikte Datenpaarung die Herausforderungen der Heterogenität und Abhängigkeit von gepaarten Daten in der Krebscharakterisierung überwindet.
Die Arbeit stellt PO-GUISE+ vor, einen effizienten Multi-Task-Transformer, der durch pose- und objektkontextualisierte Token-Auswahl die Rechenkosten für die Erkennung abgelenkten Fahrens auf Embedded-Plattformen erheblich senkt, während er gleichzeitig die Genauigkeit auf mehreren Datensätzen verbessert.
Die Arbeit stellt eMIGM vor, ein einheitliches Framework für Masked Image Generation, das durch optimiertes Training und Sampling eine überlegene Effizienz und Leistung bei der Bildgenerierung auf ImageNet im Vergleich zu bestehenden diskreten und kontinuierlichen Diffusionsmodellen erreicht.
Diese Arbeit stellt die Methode USEFUL vor, die durch gezieltes Upsampling von Beispielen, die auf Basis der frühen Netzwerkausgaben identifiziert werden, die Simplicity-Bias von Optimierungsalgorithmen wie GD und SAM reduziert und dadurch die Generalisierungsfähigkeit auf In-Distribution-Daten signifikant verbessert.
Das Paper stellt AdaRank vor, einen neuartigen Rahmen für das Zusammenführen von Modellen, der durch adaptive, entropie-minimierende Pruning von Singularwerten während des Testens störende Überlappungen zwischen Aufgaben reduziert und damit einen nahezu optimalen Leistungsstand erreicht.
Diese Arbeit stellt eine neue MR-Simulationsmethode vor, die durch die Gruppierung von Isochromaten mit identischen Parametern die Rechenzeit im Vergleich zu herkömmlichen Verfahren um den Faktor 3 bis 72 reduziert.
Die Arbeit stellt VINCIE vor, ein skalierbares Modell, das durch das direkte Lernen aus annotierten Videos und die Nutzung von Block-kausalen Diffusions-Transformern für mehrere Proxy-Aufgaben state-of-the-art Ergebnisse beim in-Kontext-Bildbearbeiten erzielt, ohne auf spezialisierte Expertensysteme angewiesen zu sein.
Die Arbeit stellt eine Meta-Lern-Methode namens Meta-Adaptive Prompt Distillation vor, die durch die Anpassung von aus aufgabenrelevanten visuellen Merkmalen destillierten Soft-Prompts die Few-Shot-Fähigkeiten von Large Multimodal Models für das Visual Question Answering verbessert und dabei die Leistung herkömmlicher In-Context-Learning-Ansätze signifikant übertrifft.
Die Arbeit stellt SemHiTok vor, einen einheitlichen Bild-Tokenisierer, der durch einen semantisch geführten hierarchischen Codebook-Ansatz die Herausforderung eines optimalen Kompromisses zwischen multimodalem Verständnis und Bildgenerierung löst, indem er semantische und pixelbasierte Merkmale strukturell entkoppelt.
Die Arbeit stellt OmniSpatial vor, ein umfassendes Benchmark auf psychologischer Grundlage mit über 8.400 annotierten Beispielen, das die signifikanten Defizite aktueller Vision-Language-Modelle in der komplexen räumlichen Reasoning aufzeigt und zwei Strategien zur Verbesserung dieser Fähigkeiten evaluiert.