7379 Arbeiten
Diese Arbeit stellt eine flexible, auf progressiven Schachbrettmustern basierende Anordnung für die multiskalige autoregressive Bildgenerierung vor, die eine parallele Abtastung ausgewogener Regionen ermöglicht und auf ImageNet mit weniger Sampling-Schritten wettbewerbsfähige Ergebnisse erzielt.
Die Arbeit stellt V-Retrver vor, ein evidenzbasiertes Framework für universelle multimodale Retrieval-Aufgaben, das Large Language Models durch einen agenten Reasoning-Prozess mit gezielten visuellen Werkzeugen befähigt, Hypothesen aktiv zu verifizieren und so die Genauigkeit und Zuverlässigkeit gegenüber rein sprachgetriebenen Ansätzen signifikant zu steigern.
Die Studie zeigt, dass die geringere Spezifität von Foundation-Modellen bei der Detektion von Darmverletzungen im Bauchraum nicht allein auf die seltene Prävalenz zurückzuführen ist, sondern maßgeblich durch die Heterogenität der negativen Klasse bedingt wird, insbesondere wenn gleichzeitig solide Organverletzungen vorliegen, was eine Anpassung vor dem klinischen Einsatz erfordert.
Diese Arbeit stellt ein Tensor-Zerlegungsframework vor, das mithilfe von TimeSformer-Embeddings und nicht-negativer symmetrischer CP-Zerlegung verdeckte Verhaltensmuster an Eisenbahnkreuzungen über verschiedene Phasen hinweg analysiert und dabei zeigt, dass der Standort ein stärkerer Determinant für das Fahrerverhalten ist als die Tageszeit.
MALLVI ist ein Multi-Agenten-Framework, das große Sprach- und Bildmodelle in einem geschlossenen Regelkreis koordiniert, um robuste und generalisierende robotische Manipulationsaufgaben durch spezialisierte Agenten für Wahrnehmung, Planung und Fehlerkorrektur zu lösen.
Die vorgestellte Arbeit verbessert die Bildkopieerkennung durch die Einführung von PixTrace zur Nachverfolgung von Pixelkoordinaten und CopyNCE als geometrisch geleiteten Verlust, die gemeinsam eine feinere Patch-Ähnlichkeit ermöglichen und so den aktuellen Stand der Technik auf dem DISC21-Datensatz übertreffen.
Die Arbeit stellt DCAG vor, ein trainierfreies Framework, das durch die gleichzeitige Manipulation von Key- und Value-Kanälen in Diffusion Transformern eine präzisere Steuerung der Bearbeitungsfidelität ermöglicht als bisherige Methoden, die sich nur auf den Key-Kanal beschränken.
Die Arbeit stellt Hyperbolische Busemann-Neuronale Netze vor, die Multinomial-Logistische Regression und vollvernetzte Schichten mittels Busemann-Funktionen in den hyperbolischen Raum heben, um effizientere und effektivere Modelle für hierarchische Daten zu ermöglichen.
Das Paper stellt GS-CLIP vor, ein Framework für die Zero-shot 3D-Anomalieerkennung, das durch geometrieaware Prompts und ein synergistisches Lernverfahren zur Verarbeitung von gerenderten und Tiefenbildern die Einschränkungen bestehender CLIP-basierter Methoden überwindet und so eine überlegene Detektionsleistung auf vier großen Datensätzen erzielt.
Die Arbeit stellt TherA vor, ein steuerbares Framework zur RGB-zu-Thermal-Übersetzung, das mithilfe eines thermal-bewussten VLM und eines latenten Diffusionsmodells physikalisch plausible und diverse Wärmeverteilungen erzeugt, um die Datenknappheit für TIR-Wahrnehmung zu überwinden.
Die vorgestellte Arbeit schlägt einen räumlich regularisierten MIL-Rahmen vor, der intrinsische räumliche Abhängigkeiten zwischen Patch-Features als label-unabhängige Regularisierung nutzt, um das Problem der spärlichen Annotationen bei der Analyse ganzer Gewebeschnitte zu überwinden und so die Diagnosegenauigkeit signifikant zu verbessern.
RAYNOVA ist ein geometrieunabhängiges, multiview-Weltmodell für Fahrszenen, das durch einen dual-kausalen autoregressiven Ansatz in der Ray-Raum-Darstellung und ein rekurrentes Trainingsparadigma hochqualitative, kontrollierbare 4D-Video-Vorhersagen ohne explizite 3D-Geometrie ermöglicht.
Die Arbeit stellt MMHNet vor, ein hierarchisches multimodales Netzwerk, das auf nicht-kausalen Mamba-Modellen basiert und es Video-zu-Audio-Generierungsmodellen ermöglicht, durch Training nur auf kurzen Sequenzen erfolgreich Audio für Videos von über fünf Minuten Länge zu erzeugen.
Die Arbeit stellt cVMDx vor, einen effizienteren und robusteren Diffusions-basierten Ansatz für die multimodale Vorhersage von Fahrzeugbahnen auf Autobahnen, der durch DDIM-Sampling die Inferenzzeit drastisch reduziert und eine zuverlässige Unsicherheitsquantifizierung ermöglicht.
Die Studie zeigt, dass die neu entwickelte Encoder-Decoder-Architektur SVSM durch systematische Skalierungsgesetze die bisherigen State-of-the-Art-Ergebnisse bei der Novel View Synthesis mit deutlich geringerem Rechenaufwand übertrifft und damit die Effizienzgrenzen von Decoder-only-Modellen neu definiert.
Die Studie stellt RelA-Diffusion vor, einen relativistischen adversären Diffusionsansatz, der T1- und T2-FLAIR-MRT-Aufnahmen nutzt, um mittels eines gradientenbestraften Verlusts realistische Mehr-Tracer-PET-Bilder für die neurologische Diagnostik zu synthetisieren und dabei bestehende Methoden in Bildqualität und Genauigkeit übertrifft.
Diese Arbeit stellt einen OR-Videodiffusionsrahmen vor, der durch die Umwandlung von Operationssaalszenen in abstrakte geometrische Darstellungen die kontrollierte Synthese von routinemäßigen und seltenen Ereignissen ermöglicht, um so die Entwicklung von KI-Modellen zur Erkennung sicherheitskritischer Vorfälle zu unterstützen.
Die Arbeit stellt MMLoP vor, einen effizienten Multi-Modal-Prompting-Ansatz, der durch Low-Rank-Faktorisierung und spezielle Regularisierungstechniken eine tiefgehende Anpassung von Vision-Language-Modellen mit nur 11.5K trainierbaren Parametern ermöglicht und dabei die Genauigkeit bestehender, deutlich größerer Methoden übertrifft.
Diese Arbeit stellt eine trainingsfreie Pipeline für das Open-Vocabulary Zero-Shot Temporal Action Segmentation vor, die Vision-Language-Modelle nutzt, um Videosegmente ohne spezifische Aufsicht basierend auf Ähnlichkeitsmetriken zu klassifizieren und zeitlich konsistent zu gliedern.
Die Arbeit stellt die WildSVG-Benchmark mit natürlichen und synthetischen Datensätzen vor, um die Lücke bei der zuverlässigen Extraktion von SVGs aus realen Bildern zu schließen, und zeigt, dass aktuelle Multimodal-Modelle in diesem Szenario noch erhebliche Schwächen aufweisen, wobei iterative Verfeinerungsmethoden jedoch vielversprechende Lösungsansätze bieten.