6105 Arbeiten
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.
Die Arbeit stellt ein universelles Framework zur Erkennung von Khmer-Texten vor, das mithilfe einer neuartigen modality-spezifischen adaptiven Merkmalsauswahl (MAFS) verschiedene Textmodalitäten wie gedruckten, handschriftlichen und Szenentext in einem einzigen Modell verarbeitet und dabei sowohl neue State-of-the-Art-Ergebnisse erzielt als auch den ersten umfassenden Benchmark für diese Aufgabe bereitstellt.
Diese Arbeit stellt die erste umfassende Studie zur Erkennung des Layouts von Khmer-Dokumenten in der realen Welt vor, indem sie einen neuen Datensatz, ein Open-Source-Daten-Augmentierungswerkzeug und YOLO-basierte Modelle mit orientierten Begrenzungsboxen einführt, um die Lücke bei der Analyse von Khmer-Texten zu schließen.
Die Arbeit stellt einen neuen, für das menschliche Auge unsichtbaren universellen Backdoor-Angriff vor, der mithilfe von Graph Convolutional Networks (GCNs) und einem dualen Optimierungsziel eine hohe Angriffserfolgsrate bei extrem niedrigen Vergiftungsraten und gleichzeitigem Erhalt der Tarnung erreicht.
Dieser Beitrag stellt ein auf panoramischer Bildstitching-Technologie basierendes System vor, das mittels industrieller Endoskope und polarer Koordinatentransformation effizient hochauflösende Panoramen von Rohrinnenwänden zur verbesserten Fehlererkennung und Zustandsbewertung erzeugt.
Die Arbeit stellt einen Anti-Feature-Collapse-Lernrahmen vor, der durch die Aufrechterhaltung vielfältiger und komplementärer Beweise im Repräsentationsraum die Generalisierungsfähigkeit von Detektoren für generierte Bilder in unsichtbaren Szenarien signifikant verbessert.
UniHM ist ein bahnbrechendes Framework, das Vision-Language-Modelle nutzt, um dexterous Handmanipulationen durch freie Sprachbefehle zu steuern, indem es verschiedene Handmorphologien vereinheitlicht, ausschließlich auf menschlichen Interaktionsdaten trainiert wird und durch physikgesteuerte Verfeinerung realistische Bewegungsabläufe erzeugt.
Die Studie stellt einen selbstüberwachten, semantisch aussagekräftigen Ansatz auf Basis von Diffusions-Autoencodern vor, der CT-Bilder und zeitliche Verläufe nutzt, um das Ergebnis und die Entwicklung von Schlaganfällen präziser vorherzusagen als bisherige Methoden.
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.