7457 Arbeiten
Das Paper stellt Inspectorch vor, ein Open-Source-Framework, das auf Flow-basierten Modellen zur Dichteschätzung beruht, um in großen solaren Beobachtungsdatensätzen effizient seltene und physikalisch bedeutsame Ereignisse zu identifizieren und so die Rechenressourcen gezielt auf diese Anomalien zu lenken.
Die vorgestellte Arbeit führt die Graph-Smooth Null-Space Representation (GSNR) ein, eine Methode, die durch die Beschränkung von Graph-Regularisierungen auf den Nullraum des Messoperators die Rekonstruktionsqualität bei inversen Bildproblemen signifikant verbessert.
Diese Arbeit stellt erstmals ein Framework für die transparente Schaltkreisverfolgung in Vision-Language-Modellen vor, das mithilfe von Transkodern und Attributionsgraphen die kausalen Mechanismen der multimodalen Reasoning-Prozesse aufdeckt und deren Steuerbarkeit nachweist.
Diese Studie stellt eine effiziente End-to-End-Pipeline vor, die UAV-Videoströme durch die Integration von 3D-Gaussian-Splatting-Techniken in Echtzeit in fotorealistische 3D-Szenen umwandelt und dabei im Vergleich zu NeRF-Ansätzen eine deutlich geringere Latenz bei hoher visueller Qualität für AR/VR-Anwendungen bietet.
Das Paper stellt BiRQA vor, einen kompakten und robusten Full-Reference-Bildqualitäts-Assessments-Algorithmus, der durch bidirektionale Multiskalen-Verarbeitung und eine neuartige „Anchored Adversarial Training"-Methode sowohl in der Genauigkeit als auch in der Geschwindigkeit und Widerstandsfähigkeit gegen Adversarial Attacks den aktuellen Stand der Technik übertrifft.
Das Paper stellt 3DSPA vor, ein automatisiertes Evaluierungsframework für Video-Realismus, das als 3D-semantischer Punkt-Autoencoder semantische Merkmale, Tiefeninformationen und Trajektorien integriert, um die physikalische Plausibilität und zeitliche Konsistenz generierter Videos ohne Referenzvideo zu bewerten.
Die Arbeit stellt „Momentum Guidance" vor, eine rechenkostenneutrale Plug-and-Play-Methode für Flow-Modelle, die durch die Extrapolation vergangener ODE-Geschwindigkeiten die Bildqualität signifikant steigert, ohne die Inferenzkosten zu erhöhen oder die Vielfalt der Proben zu beeinträchtigen.
Diese Arbeit stellt einen neuen Ansatz vor, der mithilfe eines 3D-Gaussian-Splatting-Netzwerks, das aus einem vortrainierten 2D-Ästhetikmodell gelernt hat, einen geometrieuntermauerten „3D-Ästhetikfeld" aufbaut, um aus wenigen Aufnahmen effizient ästhetisch ansprechende Kameraperspektiven zu bestimmen und dabei kostspielige Reinforcement-Learning-Suchen sowie dichte 3D-Erfassungen zu vermeiden.
Die Arbeit stellt SimLBR vor, ein effizientes Framework zur Erkennung von KI-generierten Bildern, das durch Latent Blending Regularization eine robuste Generalisierung über verschiedene Generatoren hinweg erreicht, indem es lernt, eine enge Entscheidungsgrenze um die Verteilung echter Bilder zu bilden.
Die Arbeit stellt gQIR vor, eine Methode, die große text-zu-Bild-Diffusionsmodelle anpasst, um aus extrem lichtschwachen, verrauschten und binären SPAD-Quanta-Frames hochwertige Farbbilder zu rekonstruieren und dabei sowohl klassische als auch moderne Lernverfahren in Bezug auf die wahrgenommene Bildqualität deutlich übertrifft.
MedCLIPSeg ist ein neuartiges Framework, das CLIP durch probabilistische visuell-sprachliche Anpassung und Unsicherheitsmodellierung für eine dateneffiziente, robuste und generalisierbare medizinische Bildsegmentierung mit interpretierbaren Ergebnissen nutzt.
Das Paper stellt SceMoS vor, ein effizientes Framework zur textgesteuerten Synthese von 3D-Mensch-Bewegungen in realistischen Umgebungen, das globale Planung und lokale Ausführung durch die Nutzung von 2D-Bildern (Vogelperspektive und Höhenkarten) statt rechenintensiver 3D-Daten entkoppelt und dabei einen neuen State-of-the-Art in Realismus und Kollisionsvermeidung erreicht.
Die Arbeit stellt Path-Decoupled Hyperbolic Flow Matching (HFM) vor, eine Methode zur few-shot Anpassung, die durch die Nutzung hyperbolischer Geometrie und zentripetaler Ausrichtung sowie pfadentschlüsselter Ziele die Entanglement-Probleme euklidischer Flow-Matching-Ansätze löst und damit neue State-of-the-Art-Ergebnisse auf 11 Benchmarks erzielt.
Die Arbeit stellt Pip-Stereo vor, ein Echtzeit-Stereo-Matching-System für Edge-Geräte, das durch progressive Iterationspruning, einen kollaborativen monokularen Prior-Transfer und den hardwareoptimierten FlashGRU-Operator die Rechenlast iterativer RNN-basierter Modelle drastisch reduziert und dabei hohe Genauigkeit mit extrem niedriger Latenz vereint.
Die Studie stellt ein interpretierbares, ereignisgesteuertes Framework für die autonome laparoskopische Kamerasteuerung vor, das durch Graph-Mining abgeleitete chirurgische Strategien mit einem Vision-Language-Modell und einem sicheren Closed-Loop-Controller kombiniert, um in Experimenten eine signifikant stabilere und präzisere Bildführung als bei Chirurgen in Ausbildung zu erreichen.
Diese Studie untersucht, wie durch Diffusions-Inpainting eingeführte visuelle Artefakte die Sprachgenerierung in multimodalen Modellen systematisch beeinflussen, und stellt einen diagnostischen Rahmen bereit, der die Beziehung zwischen Rekonstruktionsqualität und der semantischen sowie lexikalischen Leistung von Bildunterschriften aufzeigt.
Diese Studie stellt ein leichtgewichtiges Vision-Language-Framework vor, das visuelle UI-Features von MobileNetV3 und semantische Textdaten von DistilBERT mittels eines gated Fusion-Moduls kombiniert, um App-Bewertungen mit hoher Genauigkeit vorherzusagen und eine effiziente Bereitstellung auf Edge-Geräten zu ermöglichen.
Diese Arbeit stellt eine fortschrittliche Pipeline vor, die DEFOM-Stereo, SAM3 und eine mehrstufige Tiefenoptimierung kombiniert, um aus UAV-Aufnahmen in neuseeländischen Wäldern robuste, per-Branch-3D-Punktwolken für autonome Baumschnittanwendungen zu erzeugen und dabei die Tiefenabweichung um 82 % zu reduzieren.
Die Studie stellt ein vision-sprachbasiertes Multi-Agenten-System vor, das Deep-Learning-Modelle mit einem VLM-Agenten kombiniert, um die Genauigkeit der Koloniezählung in der pharmazeutischen Qualitätskontrolle zu verbessern und die manuelle Überprüfung um 85 % zu reduzieren.
Diese Studie stellt die Methode der Threshold Guarding Optimization (TGO) vor, die durch die Erhöhung der Gradientensparsität und die Einführung probabilistischer Spiking-Neuronen die Anfälligkeit von direkt trainierten Spiking Neural Networks gegenüber adversarialen Angriffen signifikant reduziert.