7560 Arbeiten
Die Studie zeigt, dass morphologische Strukturen – sei es durch deskriptive Merkmale oder phonesthemische Klangmuster in Prompts – in Text-zu-Bild-Diffusionsmodellen systematisch navigierbare Gradienten erzeugen, die es ermöglichen, spezifische Identitätsbasen ohne Referenzbilder zu formen und neue visuelle Konzepte zu generieren.
Diese Studie zeigt, dass generative Modelle zur Rekonstruktion von Magnetresonanzbildern durch kleine, adversarische Störungen leicht zu Halluzinationen verleitet werden können, die herkömmliche Qualitätsmetriken nicht zuverlässig erkennen und somit ein Risiko für Fehldiagnosen darstellen.
Die Studie stellt Rodent-Bench vor, einen neuen Benchmark zur Bewertung der Fähigkeiten von multimodalen Sprachmodellen bei der Annotation von Nagetier-Verhaltensvideos, und zeigt auf, dass aktuelle State-of-the-Art-Modelle für diese wissenschaftliche Aufgabe aufgrund erheblicher Schwierigkeiten bei der zeitlichen Segmentierung und der Unterscheidung subtiler Verhaltenszustände noch nicht einsatzfähig sind.
Diese Studie stellt einen neuen 4D-U-Net-Ansatz vor, der durch die Integration von räumlichen und zeitlichen Informationen die Unterdrückung von Störsignalen in der transkraniellen Kontrastmittel-Ultraschallbildgebung beim Menschen verbessert und so die Visualisierung neurovaskulärer Strukturen ermöglicht.
Die Arbeit stellt GIST vor, eine Methode zur gezielten Datenselektion für das Instruction Tuning, die durch die Berücksichtigung der gekoppelten Optimierungsgeometrie bei Parameter-effizientem Fine-Tuning (PEFT) den State-of-the-art mit deutlich geringerem Speicher- und Rechenaufwand erreicht.
Diese Studie stellt den neuen FloralSix-Datensatz vor und zeigt, dass YOLOv8m und YOLOv12n unter Verwendung des SGD-Optimierers je nach Annotierungsdichte (einzelne vs. mehrere Bounding-Boxen) und Umgebungsbedingungen (isoliert vs. dicht) unterschiedlich optimiert sind, um die präzise Blumenerkennung für landwirtschaftliche Anwendungen zu verbessern.
Die Arbeit stellt DM4CT, ein umfassendes Benchmark-System vor, das die Leistungsfähigkeit und Grenzen von Diffusionsmodellen im Vergleich zu etablierten Rekonstruktionsmethoden bei der Computertomographie unter realen experimentellen Bedingungen systematisch evaluiert.
Diese Studie zeigt, dass das Fine-Tuning von Vision-Transformern mit kleineren Patch-Größen (1, 2 und 4) die Klassifizierungsleistung in medizinischen 2D- und 3D-Bilddatensätzen signifikant verbessert, wobei eine Ensemble-Methode diese Ergebnisse weiter steigert.
Die Arbeit stellt einen neuartigen Ansatz vor, der aus einem statischen Bild, einer Sprachprofil- und einem Zieltext realistische sprechende Gesichter und Stimmen erzeugt, indem ein multi-verflochtener latenter Raum genutzt wird, um die räumlich-zeitlichen, personenbezogenen Merkmale zwischen den Audio- und Videomodaliäten zu verknüpfen.
Diese Arbeit stellt einen automatisierten Quanten-Machine-Learning-Ansatz (AQML) für die Datenfusion vor, der bei der Verarbeitung multisource-Daten und der Änderungserkennung auf dem ONERA-Datensatz eine höhere Genauigkeit als klassische MLPs und manuell entworfene QML-Modelle erreicht.
Die Arbeit stellt InfoNoise vor, einen datenadaptiven Trainingsplan für Diffusionsmodelle, der mithilfe informationstheoretischer Prinzipien die Rauschverteilung optimiert und damit sowohl die Trainingsgeschwindigkeit als auch die Modellqualität im Vergleich zu manuell abgestimmten Schemata verbessert.
Diese Studie zeigt, dass ein entkoppeltes dynamisches Modell für luftgestützte Kontinuum-Manipulatoren trotz signifikanter Abweichungen in der offenen Schleife eine geschlossene Regelkreis-Leistung erreicht, die mit dem gekoppelten Modell vergleichbar ist, jedoch bei geringeren Rechenkosten.
Die Studie schlägt isomorphe Weltmodelle vor, die die räumliche Topologie sensorischer Kortexstrukturen mittels neuronaler Felder und motor-gesteuerter Kanäle bewahren, wodurch physikalische Vorhersagen als geometrische Propagation erfolgen und zu einer effizienteren Transferleistung sowie der spontanen Entwicklung eines Körperschemas führen.
Die Arbeit stellt LoRun vor, ein effizientes Deep-Learning-Verfahren zur Bildrestauration, das durch den Einsatz eines gemeinsamen vortrainierten Basis-Denoisers und leichtgewichtiger, stufen-spezifischer LoRA-Anpassungen die Parameterredundanz herkömmlicher Deep-Unfolding-Netzwerke überwindet und gleichzeitig eine präzise Anpassung an unterschiedliche Rauschniveaus ermöglicht.
Die Arbeit stellt Video-TwG vor, ein Curriculum-verstärktes Framework, das Video-LLMs durch einen „Think-with-Grounding"-Ansatz befähigt, bei der Langzeit-Videoanalyse bedarfsgerecht relevante Videoclips selektiv heranzuziehen, um Halluzinationen zu reduzieren und das Verständnis komplexer multimodaler Hinweise zu verbessern.
Die Arbeit stellt HIME vor, eine effiziente, trainingsfreie Methode zur gezielten Reduzierung von Objekthalluzinationen in Large Vision-Language Models durch schichtadaptive Gewichtsmanipulation, die auf einem neu eingeführten Halluzinations-Insensitivitäts-Score (HIS) basiert und dabei das vorhandene Vorwissen der Modelle bewahrt.
Die Arbeit stellt NeXt2Former-CD vor, ein effizientes Framework für die Fernerkundungs-Veränderungserkennung, das ConvNeXt-Encoder mit DINOv3-Vorabtrainierung, eine deformierbare Aufmerksamkeitsfusion und einen Mask2Former-Decoder kombiniert, um bei überlegener Genauigkeit gegenüber Mamba-basierten Methoden eine vergleichbare Inferenzgeschwindigkeit zu erreichen.
Die Autoren stellen SMBlurDetect vor, ein einheitliches Framework, das durch die Generierung eines hochwertigen, subtilen Bewegungsunschärfe-Datensatzes und ein darauf trainiertes U-Net-Modell eine präzise, zero-shot Erkennung und Segmentierung von Bewegungsunschärfe in statischen Bildkunstwerken ermöglicht.
Dieser Beitrag stellt eine Methode für das Multi-View-Clustering vor, die durch die explizite Modellierung von Phasenübereinstimmungen in komplexwertigen magnetischen Affinitäten und die Extraktion stabiler spektraler Signale über einen hermiteschen Laplace-Operator robuste, phasenkonsistente Repräsentationen auch bei widersprüchlichen Sichtweisen und Rauschen ermöglicht.
Die Arbeit stellt MiSCHiEF vor, ein Benchmark aus zwei Datensätzen für Sicherheits- und Kulturszenarien, der mittels kontrastiver Minimalpaare zeigt, dass aktuelle Vision-Language-Modelle bei der feingranularen Bild-Text-Ausrichtung, insbesondere bei der Unterscheidung subtiler sicherheitsrelevanter oder kultureller Nuancen, weiterhin erhebliche Schwierigkeiten aufweisen.