7529 Arbeiten
Die Arbeit stellt ShapeShift vor, eine Methode, die mithilfe von semantischen Phasenfeld-Leitlinien aus Diffusionsmodellen starre Objekte so anordnet, dass sie natürliche Sprachkonzepte visuell darstellen, ohne dabei die physikalische Gültigkeit durch Überlappungen zu verletzen.
Die Studie stellt mit dem Qualcomm Interactive Video Dataset (IVD) einen neuen Benchmark vor, um die Fähigkeit von Vision-Language-Modellen zu bewerten, in Echtzeit auf Kamera- und Audioeingaben zu reagieren, und zeigt, dass diese zwar derzeit weit hinter menschlichen Leistungen zurückbleiben, durch Feinabstimmung jedoch erheblich verbessert werden können.
Die Arbeit stellt eine neuartige, vom menschlichen Gehirn inspirierte Analogie-Methode namens BiAG vor, die ohne Feinabstimmung der Parameter neue Klassen-Gewichte aus bestehenden Gewichten ableitet und damit das Few-Shot Class-Incremental Learning auf mehreren Datensätzen signifikant verbessert.
Das Paper stellt JavisDiT vor, einen neuartigen Joint Audio-Video Diffusion Transformer, der mithilfe eines hierarchischen räumlich-zeitlichen Synchronisationsmechanismus (HiST-Sypo) hochwertige, synchronisierte Audio-Video-Inhalte aus Textprompts generiert und durch die Einführung des neuen Benchmarks JavisBench sowie einer robusten Metrik einen neuen Standard für diese Aufgabe setzt.
Die Arbeit stellt STEP vor, einen leichten, selbstaufmerksamen zeitlichen Probing-Ansatz, der durch die Modellierung der Frame-Reihenfolge die Erkennung nahezu symmetrischer Aktionen in der Mensch-Roboter-Interaktion verbessert und dabei sowohl herkömmliches Probing als auch aufwendigere Parameter-Effiziente Feinabstimmungsmethoden übertrifft.
Die Arbeit stellt DL4ND, eine neue Methode zur Rauscherkennung, vor, die durch die Nutzung von Domänenlabels die Grenzen bestehender Ansätze für das Lernen mit verrauschten Labels und die Domänengeneralisierung überwindet und so eine robuste Generalisierung unter kombinierten Bedingungen ermöglicht.
Das Paper stellt nnLandmark vor, ein selbstkonfigurierendes Framework für die 3D-Landmarkenerkennung in der Medizin, das durch die Wiederverwendung von nnU-Net-Komponenten und standardisierte Benchmarking-Tools einen neuen State-of-the-Art erreicht und die Entwicklung sowie den fairen Vergleich neuer Methoden ohne manuelle Hyperparameteranpassung ermöglicht.
Die Arbeit stellt eine konfidenzgesteuerte Aufmerksamkeitsmethode vor, die durch adaptive Gewichtsreduktion und eine Klassifizierungsverlustfunktion Rauschen in der semi-dichten Merkmalszuordnung minimiert und damit den aktuellen Stand der Technik auf drei Benchmarks übertrifft.
Die Arbeit stellt GRILL vor, eine Technik, die durch die lokale Wiederherstellung von Gradientensignalen in schlecht konditionierten Schichten die Wirksamkeit von Adversarial Attacks auf Autoencoder und ähnliche Encoder-Decoder-Architekturen signifikant steigert, um deren Robustheit rigoroser zu bewerten.
Diese Arbeit stellt eine Methode zur Wissensübertragung auf leichte Modelle vor, die durch die mathematische Definition von „Perzeptionskohärenz" und einen darauf basierenden Verlustfunktion auf Rangordnungen der Dissimilarität im Merkmalsraum eine probabilistische Perspektive ermöglicht und damit bestehende Basismethoden in der Leistung übertrifft oder mit ihnen gleichzieht.
Die Studie stellt U2-BENCH vor, den ersten umfassenden Benchmark zur Evaluierung von Large Vision-Language-Modellen in der Ultraschalldiagnostik, der 23 Modelle über 8 klinische Aufgaben hinweg testet und dabei zwar gute Klassifikationsfähigkeiten, aber weiterhin erhebliche Herausforderungen bei der räumlichen Reasoning und der Generierung klinischer Berichte aufzeigt.
Die Arbeit stellt TEMU-VTOFF vor, ein textgestütztes Multi-Kategorie-Framework, das mittels eines dualen DiT-Backbones und eines Ausrichtungsmoduls aus Fotos bekleideter Personen hochwertige, standardisierte Produktbilder von Kleidungsstücken rekonstruiert und dabei den Verlust von Details sowie visuelle Mehrdeutigkeiten überwindet.
Die Autoren stellen einen neuartigen neuronalen B-Bild-Codec vor, der durch eine feingranulare Motion-Kompression mit interaktivem Dual-Branch-Autoencoder und eine selektive zeitliche Fusion mit Hyperprior-basierter Ausrichtung die Effizienz signifikant steigert und dabei sowohl den aktuellen State-of-the-Art-Codec DCVC-B als auch den H.266/VVC-Referenzstandard übertrifft.
Diese Arbeit stellt die neue Metrik „Perception Characteristics Distance" (PCD) vor, die die Unsicherheit von Wahrnehmungsalgorithmen berücksichtigt, und validiert sie mithilfe des neu erstellten SensorRainFall-Datensatzes unter verschiedenen Wetter- und Lichtbedingungen, um die Stabilität und Robustheit autonomer Fahrsysteme besser zu bewerten als herkömmliche Kennzahlen.
Die Studie zeigt, dass die Integration von Referenzbildern gesunder Kontrollpersonen in visuell-sprachliche Modelle die medizinische Diagnoseleistung durch vergleichende Analyse und gezieltes Fine-Tuning signifikant verbessert.
Diese Arbeit stellt ein neues Framework namens Doomer vor, das mithilfe von drei Smartphone-Kameras mit spektralen Filtern und einem leichten Ausrichtungsmodul präzisere hyperspektrale Bilder aus mehreren ungenau ausgerichteten RGB-Aufnahmen rekonstruiert und dabei die Genauigkeit gegenüber herkömmlichen Einzelbild-Methoden um bis zu 30 % steigert.
Die vorgestellte Arbeit stellt SCINet vor, ein neuartiges Framework für das partielle Multi-Label-Learning, das semantische Ko-occurrence-Muster durch die Integration eines bi-dominanten Prompters, einer Cross-Modality-Fusion und intrinsischer semantischer Augmentierung nutzt, um unvollständig annotierte Daten effektiver zu verarbeiten und den aktuellen Stand der Technik zu übertreffen.
MoVieS ist ein Motion-Aware-Modell, das dynamische 4D-Szenen aus monokularen Videos in einer Sekunde rekonstruiert und durch die Verwendung pixel-aligneder Gaußscher Primitiven sowie eine explizite Bewegungsüberwachung erstmals eine einheitliche Modellierung von Erscheinung, Geometrie und Bewegung innerhalb eines einzigen Lernrahmens ermöglicht.
Der Artikel stellt Winsor-CAM vor, eine effiziente und anpassbare Methode zur Visualisierung von CNN-Entscheidungen, die durch die Aggregation von Grad-CAM-Karten aller Faltungsschichten und eine percentilbasierte Winsorisierung robustere und präzise Erklärungen liefert, die in medizinischen und sicherheitskritischen Anwendungen die Leistung bestehender Methoden übertreffen.
Die Arbeit stellt DEFNet vor, ein auf Evidenzlernen basierendes tiefes Netzwerk für die blinde Bildqualitätsbewertung, das durch eine multitask-optimierte Architektur mit Szenen- und Verzerrungsklassifikation sowie eine neuartige, evidenzbasierte Unsicherheitsschätzung und Informationsfusion robuste und generalisierbare Ergebnisse erzielt.