6474 Arbeiten
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.
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.