7524 Arbeiten
Das Paper stellt OCR-Agent vor, einen neuartigen iterativen Selbstkorrektur-Rahmen für Large Vision-Language Models, der durch die Kombination von Capability Reflection und Memory Reflection die Fehlerbehebung verbessert und auf dem OCRBench v2-Benchmark neue State-of-the-Art-Ergebnisse erzielt, ohne zusätzliches Training zu benötigen.
Die Arbeit stellt VAUQ vor, ein trainingsfreies Framework zur visuell bewussten Unsicherheitsquantifizierung, das durch die Messung des Beitrags visueller Evidenz zur Vorhersagegenauigkeit die Selbstbewertung von Large Vision-Language Models verbessert und so Halluzinationen reduziert.
Diese Arbeit stellt ein neuartiges, von der affektiven Neurowissenschaft inspiriertes Trainingsparadigma vor, das durch einen dualen Modellansatz mit intermittierender Aktivierung eines größeren „motivierten" Modells die Leistung von Bildklassifizierungsmodellen verbessert und dabei gleichzeitig die Trainingskosten senkt.
Das Paper stellt ProxyFL vor, einen Proxy-gesteuerten Rahmen für das federierte semi-überwachte Lernen, der sowohl externe als auch interne Datenheterogenität durch die Nutzung lernbarer Klassifikator-Gewichte als Proxy für die Kategorieverteilung effektiv adressiert.
Die vorgestellte Studie entwickelt eine auf Integer Linear Programming basierende Methode zur automatischen Bestimmung optimaler Platzierungen von Zeit-Flug-Sensoren in Büroumgebungen, um die Zonenbelegung präzise zu erfassen und so Energieeinsparungen bei gleichzeitiger Wahrung der Privatsphäre zu ermöglichen.
Die Arbeit stellt BrepGaussian vor, ein neuartiges Zwei-Phasen-Framework, das mittels Gaussian Splatting aus multiplen 2D-Bildern präzise 3D-Boundary-Representationen (B-rep) rekonstruiert und dabei die Geometrie von den Patch-Features entkoppelt, um eine überlegene Generalisierung und saubere Geometrie zu erreichen.
Die Arbeit stellt UDVideoQA vor, ein umfassendes Benchmark-Datenset mit 28.000 Frage-Antwort-Paaren aus anonymisierten Verkehrsvideos, das entwickelt wurde, um die Fähigkeiten von Video-Sprachmodellen beim räumlich-zeitlichen Mehr-Objekt-Reasoning und der kausalen Inferenz in urbanen Szenarien zu evaluieren und zu verbessern.
Diese Arbeit stellt das Open-Source-Framework SynthRender und den Datensatz IRIS vor, die durch synthetische Datengenerierung mit geleiteter Domänenrandomisierung und bidirektionale Sim-Real-Transfer-Techniken eine kostengünstige und robuste Objektwahrnehmung für industrielle Anwendungen ohne 3D-Modelle ermöglichen.
Das Paper stellt LUMEN vor, ein neuartiges Trainingsframework für longitudinale Bruströntgenbilder, das durch multimodales und multi-task Instruction Fine-Tuning die diagnostische Genauigkeit und prognostischen Fähigkeiten von Vision-Language-Modellen in der Radiologie signifikant verbessert.
Die Arbeit stellt SPRITETOMESH vor, eine vollautomatische Pipeline, die mithilfe von maschinellem Lernen zur Segmentierung und algorithmischer Konturverfolgung 2D-Sprites in 300- bis 1200-mal schneller als manuelle Arbeit für Skelettanimationen vorbereitete Dreiecksnetze umwandelt.
Die Autoren stellen einen neuen Ansatz vor, der generative Sprachmodelle nutzt, um kurze, mehrdeutige Textanfragen durch kontextuelle Details und explizite Qualitätskontrollen zu erweitern, um die Qualität der Bildwiedergewinnung in Vision-Language-Modellen gezielt zu steuern.
XMorph ist ein erklärbares und rechen-effizientes Framework, das mithilfe eines hybriden Deep-Learning-Ansatzes mit LLM-Unterstützung und einer informationsgewichteten Grenznormalisierung eine präzise Klassifizierung von Hirntumoren ermöglicht und dabei sowohl hohe Genauigkeit als auch klinisch interpretierbare Einblicke bietet.
Die Arbeit stellt Mask-HybridGNet vor, ein Framework, das graphbasierte medizinische Bildsegmentierung durch direkte Schulung mit standardmäßigen Pixelmasken ermöglicht, wodurch die Notwendigkeit manueller Landmarken-Annotationen entfällt und gleichzeitig eine emergente, anatomisch konsistente Punktkorrespondenz über verschiedene Patienten hinweg erreicht wird.
Das Paper stellt Spa3R vor, ein selbstüberwachtes Framework, das durch Predictive Spatial Field Modeling (PSFM) eine einheitliche 3D-Raumvorstellung aus unposed Mehransichtsbildern lernt und so Vision-Language-Modelle ohne explizite 3D-Modi auf State-of-the-Art-Niveau für räumliches Schlussfolgern bringt.
Das Paper stellt HVG vor, ein latentes Videodiffusionsmodell, das aus einem einzigen Bild hochwertige, 4D-konsistente menschliche Videos mit 3D-Pose- und Blicksteuerung generiert, indem es durch artikulierte Pose-Modulation, Ausrichtung von Ansicht und Zeit sowie progressive räumlich-zeitliche Abtastung Herausforderungen wie selbstverdeckte Falten und Mehransichtskonsistenz löst.
Die Autoren stellen TomoROIS-SurfORA vor, ein zweistufiges Framework, das mittels Deep Learning direkt Regionen von Interesse in der Kryo-Elektronentomographie segmentiert und anschließend morphologische Oberflächeneigenschaften von Membranen quantitativ analysiert.
Die Arbeit stellt „Reflective Test-Time Planning" vor, ein Framework für embodied LLMs, das durch die Integration von Reflexion während der Aktion, nach der Ausführung und retrospektiv die Fähigkeit zur Fehlerkorrektur und langfristigen Kreditvergabe verbessert, was in Langzeit-Haushalts- und Roboter-Benchmarks zu signifikanten Leistungssteigerungen führt.
Diese Arbeit stellt vier Methoden zur komprimierten Multi-Vektor-Indexierung vor, wobei die neu entwickelte, aufmerksamkeitsgesteuerte Clustering-Technik (AGC) auf Text-, Dokumenten- und Videodatenbeständen eine überlegene Effizienz und Genauigkeit bei der Reduzierung von Speicher- und Rechenkosten im Vergleich zu anderen Kompressionsansätzen und dem unkomprimierten Index demonstriert.
Die Arbeit stellt Squint vor, eine visuelle Soft Actor-Critic-Methode, die durch Parallelisierung, einen verteilten Kritiker und optimierte Implementierung das Training von Robotik-Policies auf einem einzelnen GPU in nur wenigen Minuten ermöglicht und damit sowohl die Simulationsgeschwindigkeit als auch den erfolgreichen Transfer auf reale Systeme verbessert.
Die Studie stellt ein skalierbares, selbstüberwachtes Deep-Learning-Verfahren vor, das ohne manuelle Annotationen eine klinisch valide Segmentierung von Herzkammern in Ultraschallbildern ermöglicht und dabei die Genauigkeit überwachter Methoden sowie die Variation zwischen Kliniker erreicht.