6949 Arbeiten
Die vorgestellte Arbeit schlägt ein einheitliches proaktives Forensik-Framework namens LIDMark vor, das mithilfe eines neuartigen 152-dimensionalen Wasserzeichens und eines faktorisierten Kopf-Decoders Deepfake-Erkennung, Manipulationslokalisierung und Quellenspurverfolgung in einer einzigen robusten Lösung vereint.
Die Studie zeigt, dass die Kombination aus einem eingefrorenen 3D-MRI-Grundmodell und aufgaben spezifischen LoRA-Adaptern eine effektive Lösung für das Few-Shot-Continual-Learning darstellt, die durch das Vermeiden von Katastrophischem Vergessen und einen minimalen Trainierparameteranteil eine ausgewogene Leistung bei Tumorsegmentierung und Gehirnalter-Schätzung ermöglicht.
Die Studie stellt einen automatisierten, auf Deep Learning basierenden Algorithmus vor, der durch die Analyse von Dosis-Volumen-Überlappungen an 118 anatomischen Strukturen radiotherapeutische Behandlungspläne zuverlässig in sechs anatomische Regionen klassifiziert und so eine skalierbare Lösung für die Curierung großer, multi-institutioneller Big-Data-Datensätze ohne Abhängigkeit von inkonsistenten Metadaten bietet.
Das Paper stellt LE-NeuS vor, ein latenzoptimiertes neuro-symbolisches Framework für die Videoanalyse, das durch adaptive Abtastung und gebündelte Propositionserkennung die Inferenzzeit im Vergleich zu bestehenden Methoden drastisch reduziert, ohne dabei die Genauigkeit bei komplexen zeitlichen Abfragen zu beeinträchtigen.
Die Autoren stellen eine bahnbrechende Methode zur kalibrierungsfreien Synthese von Ansichten über verschiedene Sensormodalitäten hinweg vor, die durch eine Kombination aus Bildzuordnung, geführter Punktdichtevergrößerung und 3D-Gaussian-Splatting die aufwendige Datenerfassung für RGB-X-Anwendungen revolutioniert.
Die Arbeit stellt „Evidential Neural Radiance Fields" vor, einen probabilistischen Ansatz, der erstmals die gleichzeitige Quantifizierung von aleatorischer und epistemischer Unsicherheit in einem einzigen Vorwärtsdurchlauf ermöglicht, ohne dabei die Renderqualität zu beeinträchtigen oder einen erheblichen Rechenaufwand zu verursachen.
Die Arbeit stellt CycleBEV vor, einen Regularisierungsrahmen, der durch eine inverse View-Transformation und zyklische Konsistenzverluste während des Trainings die Genauigkeit von Bird's-Eye-View-Semantiksegmentierungsmodellen für autonomes Fahren verbessert, ohne die Inferenzkomplexität zu erhöhen.
Die Arbeit stellt HDFLIM vor, ein Framework, das vortrainierte, eingefrorene Sprach- und Bildmodelle durch Projektion in einen hyperdimensionalen Raum und den Einsatz leichter symbolischer Operationen effizient für die Bildbeschriftung ausrichtet, ohne dass eine aufwändige Feinabstimmung der Modellparameter erforderlich ist.
Die vorgestellte Arbeit führt einen inkrementellen Dimensionsreduktionsalgorithmus ein, der durch die schrittweise Verarbeitung von Merkmalsbatches und eine effiziente Aktualisierung der singulären Zerlegung die Trainingsgeschwindigkeit von visuellen Anomalieerkennungssystemen für große Datensätze erheblich steigert, ohne dabei die Genauigkeit signifikant zu beeinträchtigen.
Der Artikel untersucht, wie Extended Reality (XR) das Lernen durch immersive Umgebungen revolutioniert, betont jedoch die Notwendigkeit, bei der Integration hohe Kosten, technische Hürden und ethische Bedenken hinsichtlich Datenschutz und Cybersicherheit zu überwinden, um Innovation mit Zugänglichkeit in Einklang zu bringen.
Dieses Paper stellt den großen Egocentric-Visibility-Aware-Datensatz Eva-3M und die Methode EvaPose vor, die durch die explizite Einbeziehung von Sichtbarkeitsinformationen die Genauigkeit der menschlichen Pose-Schätzung aus Egocentric-Perspektive signifikant verbessert.
Die Arbeit stellt DLEBench vor, den ersten Benchmark zur systematischen Evaluierung der Fähigkeit von instruktionsbasierten Bildbearbeitungsmodellen, kleine Objekte präzise zu bearbeiten, und führt ein neues Bewertungsprotokoll ein, um die Lücke zwischen maschinellen und menschlichen Urteilen zu schließen.
Die Arbeit stellt BuildAnyPoint vor, ein neuartiges generatives Framework, das mithilfe eines Lose-kaskadierten Diffusions-Transformers (Loca-DiT) und autoregressiver Mesh-Generierung aus unterschiedlichen Punktwolken strukturierte 3D-Gebäudeabstraktionen rekonstruiert und dabei signifikante qualitative sowie quantitative Verbesserungen gegenüber bestehenden Methoden erzielt.
Die vorgestellte Arbeit stellt einen trainingsfreien, Inferenzzeit-Steuerungsansatz namens Semantically Decoupled Latent Steering (SDLS) vor, der durch semantisch entkoppelte, orthogonale Vektoren Halluzinationen bei der automatisierten Generierung von Röntgenbefunden effektiv unterdrückt, ohne dabei die klinische Genauigkeit zu beeinträchtigen.
Das Paper stellt VL-WS vor, ein neuartiges Vision-Language-Framework, das durch die semantische Verankerung von CLIP-Embeddings und sprachgesteuerten Modulationsschichten eine robuste und generalisierbare Segmentierung von Kulturpflanzen und Unkräutern über verschiedene landwirtschaftliche Domänen hinweg ermöglicht.
Das Paper stellt rs-embed vor, eine Python-Bibliothek, die durch eine einheitliche, ROI-zentrierte Schnittstelle die einfache und effiziente Abrufung von Embeddings beliebiger Fernerkundungs-Grundmodelle für beliebige geografische Standorte und Zeiträume ermöglicht.
Das Paper stellt HiDrop vor, ein Framework für Multimodale Large Language Models, das durch späte Injektion visueller Tokens, konvexe Pyramiden-Pruning mit Early-Exit-Mechanismus und weitere Optimierungen etwa 90 % der visuellen Tokens reduziert und dabei die Leistung beibehält sowie das Training um das 1,72-fache beschleunigt.
Diese Arbeit stellt ein zuverlässiges Indoor-Navigationssystem für Menschen vor, das Augmented Reality mit Vuforia Area Target, NavMesh und dem A*-Algorithmus kombiniert, um eine präzisere, effizientere und benutzerfreundlichere Wegführung in Innenräumen im Vergleich zu herkömmlichen Methoden zu ermöglichen.
Das Paper stellt EgoGraph vor, ein training-freies Framework zur Konstruktion dynamischer Wissensgraphen, das durch die explizite Kodierung langfristiger, entitätsübergreifender Abhängigkeiten in ultra-langen Egocentric-Videos einen neuen State-of-the-Art für das Verständnis und die Beantwortung von Fragen über solche Sequenzen erreicht.
Die Studie stellt fest, dass einheitliche multimodale Sprachmodelle zwar über starke textbasierte Schlussfolgerungs- und Bildgenerierungsfähigkeiten verfügen, jedoch an einer signifikanten semantischen Inkonsistenz leiden, wenn sie komplexe Fragen direkt in visuelle Antworten umsetzen müssen, was auf eine mangelnde semantische Ausrichtung zwischen den Modalitäten und nicht auf eine generative Unzulänglichkeit hinweist.