7550 Arbeiten
Die Arbeit stellt MedVAR vor, das erste autoregressive Fundamentmodell für die medizinische Bildgebung, das durch eine Next-scale-Vorhersage und einen harmonisierten Datensatz von 440.000 CT- und MRT-Bildern skalierbare, effiziente und hochwertige Bildsynthese in einer grob-zu-fein-Hierarchie ermöglicht.
Diese Studie stellt einen neuartigen, öffentlich zugänglichen Datensatz zur Erkennung der Reife von Erdbeben vor und bewertet vergleichend YOLO-basierte Modelle, wobei YOLOv8s die beste Gesamtperformance (mAP@50: 86,09 %) erzielt und somit eine wichtige Grundlage für intelligente landwirtschaftliche Anwendungen schafft.
Die Studie zeigt, dass Vision-Language-Modelle bei der räumlichen Lokalisierung gefüllter Zellen in Binärrastern scheitern, solange diese keine Textidentität besitzen, und offenbart, dass ihre räumliche Schlussfolgerung stark von einer Texterkennung abhängt, die ihre native visuelle Verarbeitungsfähigkeit deutlich übertrifft.
Die Arbeit stellt ReMoRa vor, ein multimodales großes Sprachmodell, das durch die Verarbeitung komprimierter, geräuschreduzierter Bewegungsrepräsentationen anstelle vollständiger RGB-Frames eine effiziente und leistungsfähige Langzeit-Videoanalyse ermöglicht.
Der Artikel stellt StructCore vor, eine trainingsfreie, strukturbewusste Methode zur Bildbewertung in der unüberwachten Anomalieerkennung, die durch die Erfassung räumlicher Verteilungsmuster die Grenzen des herkömmlichen Max-Poolings überwindet und auf den Datensätzen MVTec AD sowie VisA neuartige AUROC-Ergebnisse erzielt.
Der Artikel stellt GraphThinker vor, eine Methode zur Verstärkungslern-Feinabstimmung, die durch die Konstruktion von ereignisbasierten Videoszenengraphen und visuelle Aufmerksamkeitsbelohnungen kausale Zusammenhänge in Videos explizit modelliert, um Halluzinationen beim Video-Reasoning zu reduzieren.
Die Arbeit stellt DesignAsCode vor, ein neuartiges Framework, das die Lücke zwischen visueller Qualität und struktureller Bearbeitbarkeit in der Grafikgenerierung schließt, indem es Designs als HTML/CSS-Code durch eine Plan-Implement-Reflect-Pipeline synthetisiert und so überlegene Ergebnisse sowie erweiterte Funktionen wie Layoutanpassung und Animationen ermöglicht.
Die Arbeit stellt BLM-Guard vor, ein erklärbares multimodales System zur Moderation von Werbeanzeigen in Kurzvideos, das durch eine regelgestützte Chain-of-Thought-Datengenerierung und eine verstärkungslernbasierte Feinabstimmung mit politikkonformen Belohnungen präzisere und robustere Ergebnisse als bestehende Methoden erzielt.
Diese Studie bestätigt durch eine erfolgreiche Replikation auf sechs Datensätzen, dass der federierte Ansatz FedTPG durch textgesteuerte Prompt-Generierung eine überlegene Generalisierung auf unbekannte Klassen im Vergleich zu statischen Methoden ermöglicht, ohne dabei private Daten zu teilen.
Die Studie stellt COMPASS vor, ein auf künstlicher Intelligenz basierendes digitales Zwillingssystem, das durch die Analyse zeitlicher Verläufe von Bilddaten und Dosisparametern bei NSCLC-Patienten eine personalisierte, adaptive Strahlentherapie ermöglicht und eine frühzeitige Vorhersage von Nebenwirkungen erlaubt.
Die Studie stellt MARVUS vor, ein ressourceneffizientes mobiles Augmented-Reality-System, das die Genauigkeit und Reproduzierbarkeit der volumetrischen Ultraschallbildgebung für die Onkologie verbessert, indem es herkömmliche 2D-Geräte mit einem Fundamentmodell kombiniert und dabei auf teure Spezialhardware verzichtet.
Diese Benchmark-Studie zeigt, dass die Kombination datenzentrierter Neugewichtung mit modellzentrierter Feature-Disentanglement-Methodik in der medizinischen Bildgebung effektiver als einzelne Ansätze ist, um Shortcut-Learning zu mindern und die Robustheit von Deep-Learning-Modellen gegenüber störenden Faktoren zu erhöhen.
Diese Arbeit stellt ein kostengünstiges, auf einer einzigen Kamera basierendes Computer-Vision-Framework vor, das mit YOLO und ByteTrack Spieler, Schiedsrichter und den Ball in Fußballübertragungen erkennt und verfolgt, um auch Vereinen mit begrenztem Budget datengestützte Analysen zu ermöglichen, wobei die Ballerkennung weiterhin eine Herausforderung darstellt.
Diese Arbeit stellt fest, dass die meisten bestehenden Methoden zum maschinellen Vergessen sensitive Informationen nur auf Entscheidungsebene unterdrücken, aber auf Repräsentationsebene erhalten bleiben, was durch ein neuartiges, auf Sparse Autoencodern basierendes Analyseframework nachgewiesen wird und die Notwendigkeit neuer Evaluierungsrichtlinien unterstreicht.
Diese Studie stellt eine neue, auf Pose-Daten basierende Methode vor, die das visuelle Explorationsverhalten von Fußballspielern kontinuierlich quantifiziert und damit positionunabhängig sowie ohne manuelle Annotationen vorhersagbare Erkenntnisse über den zukünftigen Spielwert liefert.
Die Arbeit stellt Sketch2Feedback vor, ein Grammar-in-the-Loop-Framework für STEM-Diagramme, das durch die Kombination von symbolischer Regelprüfung und multimodalen Modellen hallucinationsarmes, rubrikkonformes Feedback liefert, wobei die Evaluation auf synthetischen Daten zeigt, dass dieser Ansatz zwar die Halluzinationsraten senkt und die Handlungsfähigkeit des Feedbacks verbessert, jedoch eine komplexe Abwägung zwischen Genauigkeit und Robustheit bei verschiedenen Diagrammtypen erfordert.
Die Studie zeigt, dass generative Metriken die Leistung von YOLOv11 bei der Objekterkennung nur regimeabhängig vorhersagen können, wobei synthetische Daten in komplexen Szenarien deutliche Verbesserungen bringen, während globale Metriken wie FID oft keine zuverlässigen Korrelationen mit dem mAP aufweisen.
Die Arbeit stellt JAEGER vor, ein Framework, das Audio-Visual-Large-Language-Modelle durch die Integration von RGB-D-Daten und mehrkanaliger Ambisonics-Audio sowie einer neuartigen neuronalen Intensitätsvektor-Darstellung auf den 3D-Raum erweitert, um eine robuste räumliche Verankerung und Schlussfolgerung in physikalischen Umgebungen zu ermöglichen.
Diese Studie vergleicht zehn Deep-Learning-Architekturen zur Bildklassifizierung von fünf türkischen Olivensorten und zeigt, dass unter begrenzten Datenbedingungen parametrische Effizienz entscheidender ist als reine Modelltiefe, wobei EfficientNetV2-S die höchste Genauigkeit und EfficientNetB0 den besten Kompromiss zwischen Leistung und Rechenaufwand bietet.
Das Paper stellt VLANeXt vor, ein effizientes Vision-Language-Action-Modell, das durch eine systematische Analyse und Vereinheitlichung von Designentscheidungen den aktuellen Forschungsstand auf Benchmarks wie LIBERO übertrifft und durch eine offene Codebasis die Reproduzierbarkeit sowie Weiterentwicklung in der Community fördert.