7517 Arbeiten
Die Arbeit stellt MatchED vor, ein leichtgewichtiges, end-to-end trainierbares Modul zur überwachungsgetriebenen Zuordnung, das ohne nicht-differenzierbare Nachbearbeitung scharfe Kanten erzeugt und damit den Stand der Technik in der Kantenerkennung verbessert.
Die Arbeit stellt NGL-Prompter vor, eine trainingsfreie Methode, die große Vision-Language-Modelle mithilfe einer neuartigen natürlichen Sprachrepräsentation (NGL) nutzt, um aus einzelnen Bildern präzise und generalisierbare Nähmuster für komplexe, mehrschichtige Kleidungsstücke zu rekonstruieren.
Diese Studie stellt eine auf DeepLabV3 und MobileNetV3 basierende KI-Methode zur semantischen Segmentierung von Streulicht in Weltraumkameras vor, die durch Vorab-Training auf öffentlichen Datensätzen generalisiert wird und speziell für den ressourcenbeschränkten Einsatz an Bord von Raumfahrzeugen sowie die Integration in die Navigationspipeline optimiert ist.
Die vorgestellte Methode nutzt 3D-Gaussian-Splatting in Kombination mit einer oberflächenbewussten Rekonstruktion und multi-level geometrischen Regularisierungen, um deformierbare endoskopische Gewebe sowohl in Echtzeit als auch mit hoher geometrischer und texturer Qualität zu rekonstruieren.
CleanStyle ist ein Plug-and-Play-Framework für Diffusionsmodelle, das durch die dynamische Unterdrückung von Inhaltsanteilen im Stil-Embedding mittels SVD und die Einführung einer stil-spezifischen Classifier-Free Guidance (SS-CFG) das Problem des Inhaltslecks löst und gleichzeitig die Prompt-Treue sowie die stilistische Konsistenz verbessert.
Diese Arbeit schlägt eine einheitliche stochastische Formulierung vor, die physikalisch basiertes Rendering und Diffusionsmodelle durch die Modellierung von Monte-Carlo-Integration als stochastische Differentialgleichung verbindet, um eine physikalisch fundierte Steuerung von generierten Bildern zu ermöglichen.
Die Arbeit stellt COMiT vor, ein neuartiges Framework zur diskreten Bild-Tokenisierung, das durch einen iterativen, kommunikationsinspirierten Prozess strukturierte, objektspezifische Repräsentationen erzeugt und damit die Fähigkeit zu relationaler Schlussfolgerung und kompositioneller Generalisierung im Vergleich zu bestehenden Methoden erheblich verbessert.
Das Papier stellt PyVision-RL vor, ein Reinforcement-Learning-Framework für offene multimodale Modelle, das durch eine spezielle Rollout-Strategie und akkumulative Werkzeugbelohnungen den Zusammenbruch der Interaktion verhindert und effizientes, mehrstufiges Werkzeugnutzen sowie kontextadaptive Bildverarbeitung für Bild- und Videoverständnis ermöglicht.
Die Studie stellt OrthoDiffusion vor, ein generalisierbares, diffusion-basiertes Fundamentmodell, das durch selbstüberwachtes Lernen auf großen ungelabelten MRT-Datensätzen robuste anatomische Merkmale erfasst und damit sowohl die Segmentierung als auch die Diagnose von Muskuloskelett-Erkrankungen an verschiedenen Gelenken mit hoher Genauigkeit und Daten-effizienz ermöglicht.
Diese Arbeit zeigt, dass die globale Intensitäts-nichtlineare (GIN) Augmentierung in einem föderierten Lernsetting, in dem einzelne Institutionen nur Daten einer einzelnen Modalität (CT oder MRT) besitzen, die Generalisierungsfähigkeit von medizinischen Bildsegmentierungsmodellen über Modalitäten hinweg erheblich verbessert und dabei die Privatsphäre wahrt.
Diese Arbeit stellt einen Echtzeit-Framework für die Bewegungssegmentierung auf Basis von Ereigniskameras vor, der dichte Normalflüsse als Zwischendarstellung nutzt, um die Rechenkomplexität drastisch zu reduzieren und im Vergleich zu bestehenden Methoden eine fast 800-fache Beschleunigung zu erreichen.
Die Arbeit stellt VGGDrive vor, ein neuartiges Architekturfür Vision-Language-Modelle, das durch einen modularen Cross-View 3D Geometric Enabler (CVGE) die räumliche Wahrnehmung autonomer Fahrzeuge verbessert, indem sie die geometrischen 3D-Features reifer 3D-Foundation-Modelle nahtlos in 2D-Visuelle Merkmale integriert.
Die Arbeit stellt RU4D-SLAM vor, ein robustes Framework zur 4D-Szenenrekonstruktion, das durch die Integration von Bewegungsunschärfe, semantisch geführter Unsicherheitsgewichtung und adaptiven Opazitätsmechanismen die Genauigkeit von SLAM-Systemen in dynamischen Umgebungen mit bewegten Objekten und niedriger Bildqualität erheblich verbessert.
Der vorgestellte Ansatz GatedCLIP verbessert die Erkennung von Hass-Memes durch eine dynamische gated-Fusion von visuellen und textuellen Merkmalen sowie kontrastives Lernen, wodurch er im Vergleich zur CLIP-Basislinie auf dem Hateful Memes-Datensatz eine signifikant höhere AUROC von 0,66 bei nur 350.000 trainierbaren Parametern erreicht.
Diese Studie stellt FLIM-BoFP vor, eine effizientere und schnellere Methode zur Filterabschätzung in FLIM-Netzwerken für die saliente Objekterkennung, die durch eine einmalige Clusterbildung am Eingangsblock die Rechenkosten senkt und sich als besonders wirksam für die Parasitendetektion in optischen Mikroskopiebildern erweist.
Die vorgestellte Arbeit stellt einen hybriden Rahmen vor, der ein lernbares U-Net zur Generierung von Führungskarten mit einem klassischen Laplace-Pyramiden-Fusionskern kombiniert, um durch effizientes Vollbild-Training in nur einer Minute eine state-of-the-art Leistung bei Null-Shot-Verallgemeinerung und hoher Datenfidelität zu erreichen.
Diese Studie untersucht die Erklärbarkeit von Vision-Language-Modellen wie CLIP im kunsthistorischen Kontext durch die Evaluierung von sieben XAI-Methoden und zeigt, dass deren Wirksamkeit von der konzeptuellen Stabilität und der Repräsentationsverfügbarkeit der untersuchten Kategorien abhängt.
Das Paper stellt DA-Cal vor, ein Framework für die unsupervisierte Domänenanpassung in der semantischen Segmentierung, das durch die Optimierung von weichen Pseudo-Labels und eine Meta-Temperatur-Netzwerk die Kalibrierung im Zielbereich verbessert und dabei die Zuverlässigkeit von Vorhersagen in sicherheitskritischen Anwendungen erhöht, ohne zusätzliche Inferenzkosten zu verursachen.
Das vorgestellte MUSE-Framework verbessert die Few-Shot-Klassifizierung von Ganzgewebeschnitten in der computergestützten Pathologie durch eine stochastische Mehransicht-Semantikverstärkung, die sowohl eine pro-Proben-feinkörnige semantische Verfeinerung als auch eine retrievalgestützte Integration vielfältiger LLM-generierter Beschreibungen nutzt, um die Generalisierungsfähigkeit unter extremen Datenknappheit zu steigern.
Die Arbeit stellt SpatiaLQA vor, einen Benchmark mit über 9.600 Fragen aus realen Innenszenen, der die Defizite aktueller Vision-Language-Modelle beim räumlich-logischen Reasoning aufzeigt und eine neue Methode zur rekursiven Zerlegung von Szenengraphen vorschlägt, um diese Fähigkeiten signifikant zu verbessern.