6104 Arbeiten
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.
Die Studie stellt das Mixture-of-Low-Rank-Experts (MoLRE)-Framework vor, das durch spezialisierte Adapter und unsupervisiertes Routing die Leistung von medizinischen Foundation-Modellen bei der umfassenden Analyse von Kopf-CT-Scans für 75 verschiedene pathologische Befunde signifikant verbessert, ohne explizite Pathologie-Supervision zu benötigen.
Das Paper stellt CoLC vor, einen effizienten kollaborativen Wahrnehmungsrahmen, der durch LiDAR-Vervollständigung, eine foreground-bewusste Punktabtastung und eine erweiterte Frühfusion die Kommunikationskosten senkt und gleichzeitig die räumliche Vollständigkeit sowie die Robustheit bei heterogenen Modellen sicherstellt.
Die Arbeit stellt SCOUT vor, eine selbstüberwachte Methode zur schnellen Rekonstruktion von Spektral-CT-Bildern unter extremen Datenknappheitsbedingungen, die ohne externe Trainingsdaten auskommt und durch die Generierung von Pseudo-Labels hochpräzise Ergebnisse mit minimierten Artefakten liefert.
Die Arbeit stellt STMI vor, ein neuartiges Framework für die multimodale Objekt-Wiedererkennung, das durch segmentierungsgesteuerte Merkmalsmodulation, semantische Token-Neuzuweisung und cross-modale Hypergraph-Interaktion die Hintergrundstörungen reduziert und diskriminierende Merkmale verbessert.
TokenSplat ist ein feed-forward Framework, das durch eine token-alignede Vorhersage und einen asymmetrischen Dual-Flow-Decoder eine präzise 3D-Gaussian-Rekonstruktion und stabile Kamerapositionsschätzung aus unposeden Multi-View-Bildern ohne iterative Verfeinerung ermöglicht.