6618 Arbeiten
Diese Arbeit schlägt eine volumetrische Segmentierungsstrategie vor, die durch einen strukturierten Zerlegungs- und Wiederzusammensetzungsmechanismus 2D-basierte DINOv3-Grundlagenrepräsentationen auf die 3D-Segmentierung von Hippocampus-Strukturen in neonatalen MRT-Bildern erweitert und dabei einen konstanten Speicherverbrauch bei anatomischer Konsistenz gewährleistet.
Das Paper stellt SpikeTrack vor, ein neuartiges, energieeffizientes Framework für das visuelle Verfolgen von Objekten in RGB-Videos auf Basis von Spiking Neural Networks, das durch eine asymmetrische Architektur und ein speicherbasiertes Abrufmodul sowohl die Genauigkeit als auch die Energieeffizienz im Vergleich zu bestehenden Methoden deutlich verbessert.
Die Arbeit stellt MSVBench vor, das erste umfassende Benchmark-System für die Bewertung und Verbesserung der Erzeugung mehrstufiger Videos, das durch einen hybriden Evaluierungsrahmen aus großen multimodalen Modellen und Expertenmodellen eine menschliche Bewertungsgenauigkeit von 94,4 % erreicht und als skalierbares Supervisionsignal dient.
Die Arbeit stellt Venus vor, ein zweistufiges Framework, das auf dem neu eingeführten AesGuide-Datensatz aufbaut, um multimodale Large Language Models durch ästhetische Anleitungsfähigkeiten zu stärken und damit sowohl proaktive fotografische Beratung als auch den state-of-the-art ästhetischen Zuschnitt von Bildern zu ermöglichen.
Die Studie stellt MINT vor, ein dreistufiges multimodales Framework, das durch den Transfer von Biomarker-Strukturen aus MRT-Daten in einen Sprachencoder biologisch fundierte Entscheidungsgränzen für das frühe Alzheimer-Screening schafft und so eine präzise, bildgebungsunabhängige Diagnose auf Bevölkerungsebene ermöglicht.
Die Arbeit stellt MIGM-Shortcut vor, eine Methode, die durch das Erlernen eines leichtgewichtigen Modells zur Regression der Geschwindigkeitsfelder der Feature-Entwicklung unter Einbeziehung von Abtasttoken die Effizienz von Masked Image Generation Models erheblich steigert und dabei bei Text-zu-Bild-Generierung eine mehr als vierfache Beschleunigung bei gleichbleibender Qualität ermöglicht.
Die Autoren stellen ein ordinales latentes Diffusionsmodell vor, das die geordnete Struktur von Stadien der diabetischen Retinopathie explizit in die Bildgenerierung integriert, um realistischere Fundusbilder zu erzeugen und die klinische Konsistenz im Vergleich zu herkömmlichen kategorischen Modellen zu verbessern.
Die Arbeit stellt DeBiasLens vor, ein interpretierbares und modellunabhängiges Framework, das mithilfe von Sparse Autoencodern soziale Bias-Neuronen in Vision-Language-Modellen identifiziert und gezielt deaktiviert, um soziale Fairness zu gewährleisten, ohne semantisches Wissen zu beeinträchtigen.
Die Arbeit stellt SR3R vor, ein Feed-Forward-Framework, das die 3D-Super-Resolution durch die direkte Vorhersage hochauflösender 3D-Gaussian-Splatting-Repräsentationen aus wenigen low-resolution-Ansichten neu definiert und so eine robuste Generalisierung sowie eine überlegene Rekonstruktionsqualität im Vergleich zu bestehenden Methoden ermöglicht.
Das Paper stellt SteerVAD vor, einen neuartigen, feinsten-tuning-freien Ansatz zur Videoanomalieerkennung, der durch die Identifizierung diskriminativer Aufmerksamkeitsköpfe und deren gezielte, anisotrope Skalierung mittels eines hierarchischen Meta-Controllers die latenten Repräsentationen gefrorener multimodaler LLMs korrigiert und so State-of-the-Art-Ergebnisse mit nur 1 % der Trainingsdaten erzielt.
GuardAlign ist ein trainingsfreies Verteidigungsframework für multimodale Sprachmodelle, das durch den Einsatz von Optimal-Transport zur präzisen Erkennung unsicherer Bildbereiche und einer cross-modalen Aufmerksamkeitskalibrierung zur Stabilisierung von Sicherheitsignalen die Sicherheitsrate signifikant verbessert, ohne die Nützlichkeit der Modelle zu beeinträchtigen.
Die Arbeit stellt AIR vor, ein trainingsfreies Framework für multimodale große Sprachmodelle, das durch prototypenbasierte Token-Reduktion und OT-gesteuerte Patch-Reinforcement Halluzinationen effektiv reduziert, indem es die Aufmerksamkeit des Modells gezielt auf saliente visuelle Informationen lenkt.
Die Arbeit stellt ein einheitliches Framework vor, das mittels eines generativen Diffusionsmodells und impliziter Schnittmuster in UV-Raum sowohl aus Einzelbildern als auch aus Videos hochdetaillierte, zeitlich konsistente 3D-Rekonstruktionen von bekleideten Menschen ermöglicht, die selbst bei lockerer Kleidung und realen Aufnahmen über den bestehenden Stand der Technik hinausgehen.
Die Arbeit stellt Quant Experts (QE) vor, eine tokenbewusste adaptive Fehlerrekonstruktionsmethode mit Mixture-of-Experts, die durch die Unterscheidung zwischen tokenunabhängigen und tokenabhängigen Kanälen die Nachtrainings-Quantisierung von Large Vision-Language-Modellen verbessert und dabei die Genauigkeit von Vollpräzisionsmodellen beibehält.
Diese Arbeit stellt ein neurosymbolisches Verifikationsframework vor, das mithilfe eines SMT-Lösers und einer klinischen Wissensdatenbank die logische Konsistenz von bildbasierten Sprachmodellen bei der Erstellung radiologischer Berichte automatisch prüft und so hallucinierte Diagnosen eliminiert, um die Zuverlässigkeit klinischer Schlussfolgerungen zu garantieren.
Das Paper stellt AgenticOCR vor, ein dynamisches, abfragegesteuertes OCR-System, das durch die selektive und bedarfsgerechte Extraktion relevanter Dokumentenbereiche die Effizienz und Genauigkeit multimodaler Retrieval-Augmented-Generation (RAG)-Systeme bei der Verarbeitung komplexer visueller Dokumente wie Finanzberichten erheblich verbessert.
Die Arbeit stellt eine kompakte 3D-Gaussian-Splatting-Methode vor, die durch eine rekonstruktionsbewusste, adaptive Pruning-Strategie und neuartige Difference-of-Gaussian-Primitiven die Anzahl der Gauss-Funktionen um bis zu 90 % reduziert, ohne dabei die visuelle Wiedergabequalität zu beeinträchtigen.
Die Arbeit stellt TASOT vor, eine unüberwachte Methode zur chirurgischen Phasen- und Schritterkennung, die multimodalen optimalen Transport unter Einbeziehung von visuellen und textuellen Informationen nutzt und dabei auf umfangreiche Vorab-Trainings verzichtet, während sie gleichzeitig signifikante Verbesserungen gegenüber bestehenden Zero-Shot-Methoden auf mehreren Benchmark-Datensätzen erzielt.
Das Paper stellt HumanOrbit vor, ein auf Video-Diffusionsmodellen basierendes Verfahren, das aus einem einzelnen Bild konsistente 360°-Orbit-Videos generiert und daraus hochwertige, texturierte 3D-Mesh-Modelle von Personen rekonstruiert.
RAViT ist ein neuartiges, resolutionsadaptives Vision-Transformer-Framework mit einem Mehrfachzweig-Netzwerk und einem Early-Exit-Mechanismus, das die Rechenkosten im Vergleich zu klassischen Vision-Transformern um etwa 30 % senkt, ohne dabei die Genauigkeit zu beeinträchtigen.