6623 Arbeiten
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.
Diese Arbeit stellt eine manigfaltigkeitserhaltende Superpixel-Hierarchie für hochdimensionale Bilder vor, die während des Aufbaus die räumliche Anordnung der Pixel berücksichtigt, um eine konsistente Exploration sowohl im Bild- als auch im Attributraum zu ermöglichen.
Die Arbeit stellt einen „omnivorischen" visuellen Encoder vor, der durch ein duales Lernziel, bestehend aus einer modality-agnostischen Ausrichtung und einer Destillation von DINOv2, eine konsistente und modality-unabhängige Merkmalsdarstellung für verschiedene Eingabemodalitäten wie RGB und Tiefenkarten ermöglicht.
Die vorgestellte Arbeit stellt ein automatisiertes, multimodales Auditierungsframework vor, das durch die systematische Entdeckung und Erklärung versteckter Fehler in medizinischen Bildklassifizierern die Sicherheit und Zuverlässigkeit dieser Systeme verbessert.
Die Arbeit stellt UMPIRE vor, ein training-freies Framework zur Unsicherheitsquantifizierung für multimodale Large Language Models, das durch die Berechnung des inkohärenzadjustierten semantischen Volumens auf Basis interner Modellmerkmale zuverlässige Fehlererkennung und Kalibrierung über verschiedene Modalitäten hinweg ermöglicht.
Das Paper stellt SenCache vor, einen trainingsfreien Ansatz zur Beschleunigung der Diffusionsmodell-Inferenz, der durch eine prinzipiengeleitete, sensibilitätsbasierte Caching-Strategie die Wiederverwendung von Berechnungen dynamisch anpasst und dabei eine höhere visuelle Qualität als bestehende Methoden bei ähnlichem Rechenaufwand erzielt.
Die Arbeit stellt MuViT vor, einen Transformer, der durch die Einbettung multipler Auflösungen in ein gemeinsames Weltkoordinatensystem und die Erweiterung rotatorischer Positionseingebettungen die Analyse gigapixeliger Mikroskopiebilder verbessert, indem er gleichzeitig feine Details und den übergeordneten Gewebekontext integriert.
Die Autoren stellen eine neue Methode vor, die durch die Erstellung des SpatialReward-Datensatzes und des darauf aufbauenden Reward-Modells SpatialScore die räumliche Verständnisfähigkeit von Text-zu-Bild-Generierungsmodellen mittels Online-Reinforcement-Learning signifikant verbessert.
Die Arbeit stellt GTASR vor, einen effizienten Ein-Schritt-Consistency-Model-Ansatz für die Real-World-Bild-Super-Resolution, der durch Trajektorienausrichtung und duale strukturelle Korrektur die Probleme von Konsistenzdrift und geometrischer Entkopplung löst und dabei hohe Qualität bei minimaler Latenz bietet.
Die Arbeit stellt Latent Manifold Compaction (LMC) vor, ein unüberwachtes Framework zur Normalisierung von Histopathologie-Bildern, das durch die Verdichtung stain-induzierter latenter Mannigfaltigkeiten batch-invariante Embeddings lernt und so die Generalisierungsfähigkeit von Modellen über verschiedene klinische Standorte hinweg signifikant verbessert.
Das vorgestellte Hierarchical Action Learning (HAL)-Modell überwindet die Herausforderungen der schwach überwachten Aktionssegmentierung durch einen hierarchischen kausalen Prozess, der unterschiedliche Zeitskalen zwischen visuellen Merkmalen und latenten Aktionsvariablen nutzt, um eine streng identifizierbare und überlegene Leistung zu erzielen.
Die Arbeit stellt einen Decoupled Diffusion Transformer vor, der durch die Kombination von überwachtem Flow Matching für die globale Kohärenz und einem mode-suchenden Verteilungs-Matching für die lokale Realismusübertragung effizient hochqualitative Minuten-videos generiert und dabei die Lücke zwischen Bildqualität und Videolänge schließt.
Das Paper stellt BSDM vor, ein neuartiges, nicht überwachtes Diffusionsmodell zur Hyperspektral-Anomalieerkennung, das durch das Lernen latenter Hintergrundverteilungen und einen statistischen Offset-Modul komplexe Hintergründe unterdrückt und eine hohe Generalisierungsfähigkeit auf verschiedene Datensätze ohne manuelle Label ermöglicht.
Die Arbeit stellt StableMaterials vor, eine neuartige Methode zur Erzeugung fotorealistischer PBR-Materialien mittels halbüberwachtem Lernen und Latent Diffusion Models, die durch adversäres Training, einen Diffusions-Refiner und eine Latent-Consistency-Modell-Destillation eine hohe Vielfalt, Qualität und schnelle Generierung ohne starke Abhängigkeit von annotierten Daten ermöglicht.
Die Arbeit stellt SGIFormer vor, einen neuartigen Transformer-basierten Ansatz für die 3D-Instanzsegmentierung, der durch eine semantisch geführte Abfrageinitialisierung und einen geometrie-gestärkten verschachtelten Decoder sowohl die Genauigkeit als auch die Effizienz bei der Verarbeitung großer 3D-Szenen verbessert und dabei neue State-of-the-Art-Ergebnisse auf mehreren Benchmark-Datensätzen erzielt.
Die vorgestellte Arbeit führt eine parametereffiziente Methode zur Open-Set-Erkennung von Deepfakes vor, die auf einem Vision-Transformer mit leichtgewichtigen Modulen und einer Mischung von Fälschungsstilen basiert, um die Generalisierungsfähigkeit auf unbekannte Domänen bei minimalem Rechenaufwand zu verbessern.