6813 Arbeiten
Die Arbeit stellt OPTIAGENT vor, ein physikgetriebenes Agenten-Framework, das mittels eines spezialisierten Datensatzes, hybrider Trainingsziele und einer lexikografischen Belohnungsfunktion Large Language Models befähigt, komplexe optische Linsensysteme automatisch und präzise zu entwerfen.
Die Studie stellt VideoPulse vor, einen Datensatz und eine End-to-End-Pipeline, die mittels berührungsloser Videobehandlung Herzfrequenz und Sauerstoffsättigung (SpO2) bei Neugeborenen präzise schätzt und so eine kostengünstige, nicht-invasive Überwachung in der Intensivmedizin ermöglicht.
Diese Arbeit stellt einen neuartigen Rahmen vor, der einen vortrainierten Vision-Foundation-Modell (DINOv3) mit spezialisierten 3D-Anpassungsmechanismen kombiniert, um bei extrem wenigen Trainingsdaten eine robuste und domänenübergreifende Gefäßsegmentierung zu ermöglichen und dabei den aktuellen Standard nnU-Net signifikant zu übertreffen.
Die Arbeit stellt mit FluoMix das erste Datenset und mit FluoCLIP ein darauf aufbauendes zweistufiges Vision-Language-Framework vor, um die bisher vernachlässigte stäbchenabhängige Fokusqualitätsbewertung in der Fluoreszenzmikroskopie durch eine stäbchenbewusste Modellierung zu ermöglichen.
Das Paper stellt EMO-R3 vor, ein Framework für reflektives Reinforcement Learning, das durch strukturiertes emotionales Denken und einen reflexiven emotionalen Belohnungsmechanismus die Interpretierbarkeit und emotionale Intelligenz multimodaler Sprachmodelle verbessert.
Die Studie stellt BiM-GeoAttn-Net vor, einen leichten Rahmen, der bidirektionale Tiefen-Mamba-Modellierung mit geometriebewusster Aufmerksamkeit kombiniert, um die präzise 3D-Segmentierung von Aortendissektionen in CTA-Bildern durch effiziente Erfassung von Schichtabhängigkeiten und strukturelle Verfeinerung zu verbessern.
Die Arbeit stellt Sea² vor, einen unüberwachten Ansatz zur domänenübergreifenden visuellen Anpassung, der einen personalisierten VLM-gesteuerten Agenten nutzt, um durch aktive Pose-Steuerung und skalare Rückmeldungen die Leistung vortrainierter Wahrnehmungsmodelle in neuen Umgebungen zu verbessern, ohne diese Modelle selbst nachtrainieren zu müssen.
Die Arbeit stellt einen neuen Ansatz für die bimanuelle Manipulation vor, der auf einem vortrainierten 3D-geometrischen Fundamentmodell basiert, um durch die gemeinsame Vorhersage von Aktionssequenzen und zukünftigen 3D-Strukturen aus reinen RGB-Bildern eine überlegene räumliche Wahrnehmung und Koordination zu erreichen.
Die Arbeit stellt einen exemplarfreien Ansatz für das kontinuierliche Lernen zur Generierung von Pathologieberichten aus Ganzschnittbildern vor, der durch die Nutzung kompakter morphologischer Fußabdrücke und stilistischer Deskriptoren katastrophales Vergessen verhindert und gleichzeitig die Anpassung an sich wandelnde klinische Standards ohne Speicherung historischer Daten ermöglicht.
Die Studie stellt CPN-YOLO vor, einen auf YOLOv8 basierenden Framework zur robusten SAR-Schiffserkennung, der durch ein lernbares Denoising-Modul, einen PPA-Aufmerksamkeitsmechanismus und einen auf der normalisierten Wasserstein-Distanz basierenden Verlust die Genauigkeit und Generalisierungsfähigkeit in komplexen Szenen erheblich verbessert.
Die Autoren stellen einen end-to-end multimodalen Framework vor, der durch die Kombination von Bild- und Metadaten-Encodierung mit einem bidirektionalen Cross-Attention-Mechanismus sowie einem spärlichen, fehlwertbewussten Metadaten-Encoder die robuste Klassifizierung von DICOM-Serien trotz heterogener Inhalte, variabler Längen und unvollständiger Metadaten ermöglicht.
Die vorgestellte Arbeit führt einen Diffusionsmodell-Ansatz ein, der durch die explizite Modellierung und Nutzung von Polarisationsunsicherheiten die Rekonstruktion von Farb-Polarisationsbildern verbessert und so die Genauigkeit bei der Wiederherstellung von Polarisationsmerkmalen wie dem Polarisationsgrad und dem Polarisationswinkel signifikant steigert.
Das NAU-QMUL-Team schlägt einen mehrmodalen Multi-Task-Ansatz vor, der BERT und CLIP zur Erkennung von KI-generierten Bildern und zur Identifizierung der zugrunde liegenden Modelle nutzt, wobei durch Pseudo-Labeling-Datenaugmentierung verbesserte Ergebnisse in einem Wettbewerb erzielt wurden.
Die Arbeit stellt ReSeg-CLIP vor, eine trainingsfreie Methode für die offenwortschatzgestützte semantische Segmentierung von Fernerkundungsdaten, die durch hierarchische Maskierung mit SAM und eine gewichtete Modellkomposition von CLIP-Varianten den State-of-the-Art auf drei Benchmarks erreicht.
Dieser Beitrag stellt einen bandbreitenadaptiven, cloudbasierten Ansatz vor, der durch dynamische Aufteilung der Verarbeitung und Kompression von Merkmalsvektoren die Latenz bei der 360-Grad-3D-Umgebungserkennung für autonome Fahrzeuge im Vergleich zu rein onboard-Lösungen um 72 % reduziert und gleichzeitig die Genauigkeit unter schwankenden Netzwerkbedingungen um bis zu 20 % steigert.
Diese Studie stellt eine hardwareunabhängige, visuell basierte Methode zur robusten Ortswiedererkennung für Luftfahrzeuge vor, die durch die Analyse der Bodendichte die Flughöhe schätzt und so die Genauigkeit bei erheblichen Höhenunterschieden im Vergleich zu herkömmlichen Ansätzen signifikant verbessert.
Die Arbeit stellt DACESR vor, eine Methode, die einen degradationssensitiven Embedding-Extraktor (REE) und einen Conditional Feature Modulator (CFM) mit einem Mamba-basierten Netzwerk kombiniert, um die Bildsuper-Auflösung in realen, stark degradierten Szenarien durch verbesserte Texterkennung und hochauflösende Rekonstruktion zu optimieren.
Der Artikel stellt SelfOccFlow vor, eine selbstüberwachte Methode zur end-to-end Vorhersage von 3D-Besetzungsfluss, die ohne menschliche Annotationen oder externe Flussüberwachung auskommt, indem sie die Szene in statische und dynamische Signed-Distance-Fields zerlegt und Bewegung durch zeitliche Aggregation sowie einen auf Kosinusähnlichkeit basierenden Fluss-Indikator lernt.
Das Paper stellt Ref-Adv vor, einen neuen Benchmark für das Verständnis von Referenzäußerungen, der durch gezielte Herausforderungen wie harte Ablenkungen und nicht-triviale sprachliche Ausdrücke zeigt, dass aktuelle multimodale Large Language Models trotz guter Ergebnisse auf herkömmlichen Datensätzen oft auf Abkürzungen angewiesen sind und echte visuelle Schlussfolgerungen sowie Verankerungsfähigkeiten noch erheblich verbessern müssen.
Die Studie stellt BUSD-Agent vor, ein erfahrungsgesteuertes, selbstadaptives Kaskaden-Multi-Agenten-System für die Brustultraschall-Screening und -Diagnose, das durch den Einsatz eines zweistufigen Entscheidungsprozesses und eines speicherbasierten Kontext-Lernmechanismus unnötige Biopsieüberweisungen signifikant reduziert und gleichzeitig die Spezifität der Diagnose verbessert.