6212 Arbeiten
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.
Die Arbeit stellt D-REX vor, eine differentiable Engine, die auf Gaussian Splatting basiert, um durch visuelle Beobachtungen und Robotersignale die Masse von Objekten zu identifizieren und gleichzeitig realistische digitale Zwillinge sowie lernfähige Greifpolitiken zu erstellen, wodurch die Lücke zwischen Simulation und Realität effektiv geschlossen wird.
Die Arbeit stellt GRAD-Former vor, ein neuartiges, effizientes Framework für die Veränderungserkennung in Fernerkundungsbildern, das durch einen adaptiven Encoder mit gating-basierten Mechanismen und differenzieller Aufmerksamkeit eine überlegene Genauigkeit bei gleichzeitig geringerem Parameterbedarf als bestehende State-of-the-Art-Modelle erreicht.
Das Paper stellt BeautyGRPO vor, ein Reinforcement-Learning-Framework, das mithilfe eines feinabgestimmten Präferenzmodells und einer dynamischen Pfadführung (DPG) Gesichtsretusche so optimiert, dass es subtile Makel entfernt und gleichzeitig die Gesichtsidentität bewahrt, um menschliche ästhetische Vorlieben besser zu erfüllen als bestehende Methoden.
Das Paper stellt FREE-Edit vor, ein zero-shot Framework für bildgesteuertes Video-Editing auf Basis von Rectified-Flow-Modellen, das eine neuartige editierungsaware Injektionsmethode (REE) nutzt, um die Injektionsintensität pro Token basierend auf optischem Fluss zu modulieren und so hochwertige Ergebnisse ohne Nachtraining zu erzielen.
Die Arbeit stellt TripleSumm vor, ein adaptives Modell zur dreifachen Modalfusion für die Videozusammenfassung, das gemeinsam mit dem neuen umfassenden Multimodal-Datensatz MoSu den State-of-the-Art in diesem Bereich erreicht.
Die Arbeit stellt VP-Hype vor, einen hybriden Mamba-Transformer-Ansatz mit visuell-textuellen Prompts, der durch die Kombination linearer Zustandsraummodelle und relationaler Modellierung eine hocheffiziente und datensparsame Klassifizierung von hyperspektralen Bildern ermöglicht.
Die Arbeit stellt RnG vor, einen einheitlichen Feed-Forward-Transformer, der durch einen rekonstruktionsgesteuerten kausalen Aufmerksamkeitsmechanismus und einen impliziten 3D-KV-Cache sowohl sichtbare Geometrie präzise rekonstruiert als auch plausible, unsichtbare Strukturen generiert, um vollständige 3D-Modelle aus partiellen 2D-Beobachtungen in Echtzeit zu erstellen.
Die Arbeit stellt VisNec vor, ein Rahmenwerk zur Messung der visuellen Notwendigkeit in multimodalen Instruktionsdaten, das durch die Auswahl von nur 15 % der LLaVA-665K-Datenmenge eine Leistung erzielt, die der des gesamten Datensatzes entspricht oder ihn sogar übertrifft.
CoSMo3D überwindet die Fragilität bestehender 3D-Segmentierungsmethoden, indem es durch LLM-gestützte Datenausrichtung und eine duale Architektur einen latenten kanonischen Referenzrahmen erlernt, der es ermöglicht, Objektparteien unabhängig von der Eingabepose funktional und stabil zu interpretieren.
Diese Arbeit stellt eine Methode vor, bei der ein vortrainiertes Vision-Language-Modell durch Feinabstimmung und einen benutzerdefinierten Regressionskopf in der Lage ist, basierend auf monokularen Bildern und Sprachbefehlen präzise 3D-Positionen von Objekten für die Mensch-Roboter-Interaktion zu schätzen.
Diese Arbeit stellt mit SafeEditBench ein neues Benchmark-Tool zur Bewertung der politikübergreifenden Generalisierung von Bild-Sicherheitsmodellen vor und schlägt die RLVR-basierte Methode SafeGuard-VL vor, um Vision-Language-Modelle robust an sich wandelnde Sicherheitsrichtlinien anzupassen.