6035 Arbeiten
Diese Arbeit stellt eine systematische Analyse von beschleunigten Sampling-Methoden für Text-zu-Bild-Diffusionsmodelle vor und schlägt einen neuartigen Zeitplan namens TORS vor, der auf geometrischen Eigenschaften basiert und in nur 10 Schritten hochwertige Bilder erzeugt.
Die Studie „DUCX" führt eine systematische Fairness-Auditierung von medizinischen Agenten für die Bruströntgenbildanalyse durch und identifiziert durch eine stufenweise Zerlegung spezifische Verzerrungsquellen wie Tool-Exposure, Tool-Transition und Reasoning-Bias, die über die reine End-to-End-Leistung hinausgehen und eine prozessorientierte Entschärfung für den gerechten klinischen Einsatz erfordern.
Die Autoren stellen den Neural Functional Alignment Space (NFAS) vor, ein neuartiges, hirnbasiertes Rahmenwerk, das künstliche neuronale Netze durch die Modellierung ihrer intrinsischen dynamischen Entwicklung und die Projektion in ein biologisch verankertes Koordinatensystem auf eine gemeinsame funktionale Ebene bringt.
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.
Das Paper stellt NERFIFY vor, ein Multi-Agenten-Framework, das NeRF-Forschungspapiere mithilfe domänenspezifischer Innovationen wie kontextfreier Grammatiken und visueller Rückkopplung zuverlässig in ausführbaren Nerfstudio-Code umwandelt und dabei die Implementierungszeit von Wochen auf Minuten reduziert.
Die Arbeit stellt COMBAT vor, ein Echtzeit-Weltmodell auf Basis von Diffusion-Transformern, das durch Training mit nur teilweise beobachteten Daten aus dem Spiel Tekken 3 in der Lage ist, einen reaktiven, intelligenten Gegner zu simulieren, ohne dass explizite Verhaltenslabels für diesen benötigt werden.
Die Arbeit stellt MME vor, ein neuartiges Mixture-of-Experts-Framework für die 3D-Mesh-Analyse, das durch einen Random-Walk-Transformer-Gating-Mechanismus und ein dynamisches Loss-Balancing-Verfahren spezialisierte Experten kombiniert und so state-of-the-art-Ergebnisse bei Klassifizierung, Retrieval und semantischer Segmentierung erzielt.
Die Arbeit stellt UHDPromer vor, einen effizienten Transformer für die Wiederherstellung und Verbesserung von Ultra-Hochauflösenden (UHD) Bildern, der durch die Integration neuronaler Diskriminierungsprioritäten und einer superauflösungsgesteuerten Rekonstruktion sowohl hohe Recheneffizienz als auch State-of-the-Art-Leistung bei Aufgaben wie Bildentwölkern, Entnebeln und Entschärfen erreicht.
Der Artikel stellt PPC-MT vor, ein neuartiges paralleles Framework zur Vervollständigung von Punktwolken, das eine hybride Mamba-Transformer-Architektur mit einer PCA-gesteuerten Parallelisierungsstrategie kombiniert, um sowohl die Rekonstruktionsqualität als auch die Recheneffizienz im Vergleich zu bestehenden Methoden signifikant zu verbessern.
Die Arbeit stellt MMTA (Multi-Membership Temporal Attention) vor, einen hochauflösenden Temporal-Transformer, der durch die gleichzeitige Berücksichtigung mehrerer lokaler Zeitfenster pro Frame die präzise Erkennung feingranularer Bewegungsphasen in der Schlaganfall-Rehabilitation verbessert und dabei sowohl Video- als auch IMU-Daten in einer effizienten, einstufigen Architektur verarbeitet.
Die vorgestellte SMART-Methode nutzt ein SAM3-basiertes Lehrer-Schüler-Framework mit bewegungs- und konfidenzgesteuerten Regularisierungstechniken, um die semi-überwachte Segmentierung von Koronararterien in Röntgenangiographie-Videos auch bei unzureichenden annotierten Daten und komplexen Bewegungsmustern präzise durchzuführen.
Die Arbeit stellt einen neuartigen, blinden und nichtlinearen inversen Rahmen vor, der durch die Synergie von MR-Physik und generativen Priors erstmals die gleichzeitige Wiederherstellung anatomischer Bilder, die Synthese hochauflösender Cine-Bilder und die Schätzung von Bewegungen bei Tagged-MRI vereint, um die bisher getrennt behandelten Herausforderungen wie Tag-Verfälschung und Unschärfe zu überwinden.
Der Artikel stellt VEMamba vor, ein effizientes Framework zur isotropen Rekonstruktion von Volumen-Elektronenmikroskopie-Daten, das durch ein neuartiges 3D-Abhängigkeits-Umordnungsparadigma mit axial-lateraler Konsistenz und eine realistische Degradationssimulation eine hohe Bildqualität bei geringer Rechenkomplexität erreicht.
Das Paper stellt pySpatial vor, ein visuelles Programmier-Framework, das Multi-Modal Large Language Models durch die Generierung von Python-Code für den Zugriff auf räumliche Werkzeuge befähigt, um ohne Feinabstimmung eine präzise Null-Shot-Raumverständnis in 3D zu erreichen und dabei sowohl Benchmarks als auch reale Roboternavigation zu verbessern.
Dieser Artikel stellt UD-SfPNet vor, ein neuronales Netzwerk, das durch die Kombination von Entstreuung und polarisationsbasierter Formwiedergabe in einem einheitlichen Rahmen die Genauigkeit der 3D-Oberflächenrekonstruktion unter Wasser signifikant verbessert.
Diese Arbeit stellt einen hierarchischen Algorithmus vor, der durch komposite Entdeckung, Normalisierung auf minimale repräsentative Formen und Primextraktion exakte, achsenausgerichtete rechteckige Tesselationen in endlichen diskreten Gittern deterministisch identifiziert, um eine Lücke in der symbolischen Gitteranalyse für Aufgaben wie das Lösen von Rätseln zu schließen.
Die Arbeit stellt VGGT-Det vor, das als erstes Framework für die sensorgeometriefreie 3D-Objekterkennung in Innenräumen den VGGT-Encoder integriert und durch zwei neue Komponenten, die auf Aufmerksamkeitskarten und dynamischer Feature-Aggregation basieren, interne semantische und geometrische Priors nutzt, um die Leistung signifikant zu steigern.
Die Arbeit stellt DriveCode vor, eine neuartige numerische Kodierungsmethode, die Zahlen als dedizierte Embeddings statt diskreter Text-Token darstellt, um die Präzision und Effizienz von LLM-basierten autonomen Fahrsystemen bei der Trajektorienvorhersage und der Erzeugung von Steuersignalen zu verbessern.
Die Studie zeigt, dass Vision-Language-Modelle auf dem DrawEduMath-Datensatz bei der Analyse von Schülerfehlern und der Unterstützung lernschwacher Schüler signifikant versagen, was auf die Notwendigkeit alternativer Entwicklungsansätze für den pädagogischen Einsatz hinweist.
Die Autoren stellen den großen subjektiven Datensatz Beyond8Bits mit 44.000 HDR-UGC-Videos vor und entwickeln HDR-Q, das erste multimodale Large Language Model mit einem HDR-sensitiven Vision-Encoder und einem neuartigen RL-Finetuning-Verfahren (HAPO), um den State-of-the-Art bei der objektiven und subjektiven Qualitätsbewertung von HDR-Inhalten zu erreichen.