7576 Arbeiten
Der Artikel stellt FOCA vor, ein multimodales Framework auf Basis von Large Language Models, das durch die Fusion von räumlichen und frequenzbasierten Merkmalen sowie die Einführung des Datensatzes FSE-Set eine präzise Bildfälschungserkennung, -lokalisierung und interpretierbare Erklärung übertrifft.
Diese Studie untersucht die Anwendung überwachter und unüberwachter Deep-Learning-Modelle zur Charakterisierung morphologischer Reststrukturen in Galaxien, wobei festgestellt wird, dass das überwachte CNN zwar starke und schwache Substrukturen unterscheiden kann, das unüberwachte CvAE jedoch keine klare Diskriminierungskraft aufweist.
Der Artikel stellt PhysConvex vor, ein physikbasiertes, dynamisches 3D-Strahlungsfeld, das mithilfe von physikalisch fundierten konvexen Primiven und reduzierten Simulationsmodellen sowohl fotorealistische Rekonstruktion als auch physikalisch konsistente Deformation und Simulation komplexer dynamischer Szenen ermöglicht.
Diese Arbeit identifiziert die Nicht-Stationarität der Encoder-Aktualisierungen als Ursache für den Codebook-Collapse in der Vektorquantisierung und schlägt mit NSVQ und TransVQ zwei neue Methoden vor, die auf dem CelebA-HQ-Dataset eine nahezu vollständige Codebuch-Nutzung und überlegene Rekonstruktionsqualität erreichen.
Die Arbeit stellt PrivacyBench vor, ein Benchmark-Framework, das systematisch aufzeigt, dass die willkürliche Kombination von Datenschutztechniken in hybriden visuellen Systemen zu schwerwiegenden Leistungseinbußen und erhöhten Kosten führen kann, und bietet damit eine Grundlage für eine fundierte, ressourceneffiziente Systemgestaltung.
Die vorliegende Arbeit stellt SCHEMA vor, eine auf umfangreichen API-Tests basierende, dreistufige Prompt-Engineering-Methodik für Google Gemini 3 Pro Image, die durch modulare Komponenten und klare Entscheidungsregeln eine signifikant höhere Compliance und Konsistenz bei der generierten Bildinhalte in sechs professionellen Domänen gewährleistet.
Das Paper stellt PCA-VAE vor, einen vollständig differenzierbaren Autoencoder, der durch den Ersatz von Vektorquantisierung durch eine Online-PCA-Bottleneck-Schicht Codebook-Kollaps vermeidet und dabei eine überlegene Rekonstruktionsqualität bei deutlich geringerem Bitverbrauch sowie natürlicher interpretierbaren latenten Dimensionen erreicht.
Die vorgestellte Arbeit führt die „Marginalized Bundle Adjustment" (MBA) ein, eine Methode, die die hohe Varianz von monokular geschätzten Tiefenkarten durch deren Dichte ausgleicht und so State-of-the-Art-Ergebnisse in Structure-from-Motion- und Kamerarelokalisierungsaufgaben ermöglicht.
Der Artikel stellt DeepInterestGR vor, ein neuartiges generatives Empfehlungssystem, das durch den Einsatz multi-modaler LLMs tiefgreifende Benutzerinteressen extrahiert, diese mittels Belohnungs-Labels und RQ-VAE in semantische IDs kodiert und durch eine zweistufige Trainingspipeline mit Reinforcement Learning die Personalisierung und Interpretierbarkeit von Empfehlungen signifikant verbessert.
Die Arbeit stellt DACo vor, ein Dual-Agenten-Framework, das durch die Entkopplung von globaler strategischer Planung und lokaler Ausführung die kognitive Überlastung einzelner Agenten vermeidet und so die Robustheit sowie Leistungsfähigkeit bei der vision- und sprachgestützten Navigation in komplexen Umgebungen signifikant verbessert.
Diese Arbeit stellt einen tiefenbasierten YOLO-SAM2-Ansatz vor, der durch geometrische Analysen und eine schlafenausgerichtete Tiefenkorrektur die Erkennung von unzureichendem Schotter in Eisenbahnstrecken von einer niedrigen Trefferquote von 0,49 auf bis zu 0,80 verbessert.
Die Arbeit stellt CASO-PAD vor, einen leichten, RGB-basierten Ein-Bild-Modell für die Gesichtspräsentationsangriffs-Erkennung, der durch den Einsatz von inhaltsadaptiven räumlichen Operatoren (Involution) in einem MobileNetV3-Architektur eine hohe Robustheit gegen Spoofing-Angriffe bei minimalem Rechenaufwand erreicht.
Die Arbeit stellt Frame2Freq vor, eine Familie frequenzbewusster Adapter, die durch spektrale Kodierung und das Lernen frequenzspezifischer Embeddings die Feinabstimmung von Bild-zu-Video-Transfer-Modellen für die präzise Erkennung feinabgestimmter Videoaktionen verbessern und dabei bestehende Methoden übertreffen.
Diese Arbeit stellt mit Life-Bench ein umfassendes synthetisches Multimodal-Benchmark und mit LifeGraph ein wissensbasiertes Framework vor, um die Lücke bei der personalisierten multimodalen Reasoning-Fähigkeit moderner Vision-Language-Modelle zu adressieren und neue Forschungsrichtungen zu eröffnen.
Die Arbeit stellt MoBind vor, ein hierarchisches kontrastives Lernframework, das IMU-Signale und Video-Pose-Sequenzen durch die Ausblendung visueller Hintergründe, die semantische Zuordnung von IMU-Sensoren zu Körperteilen und eine feingranulare zeitliche Ausrichtung auf Sub-Sekunden-Ebene präzise verbindet, um Aufgaben wie Cross-Modal-Retrieval, Synchronisation und Aktionserkennung zu verbessern.
Die Studie stellt GUIDE-US vor, eine Methode zur unpaarigen Wissensdistillation von histopathologischen in Mikroultraschall-Encoder, die die Sensitivität für die nicht-invasive Erkennung klinisch signifikanter Prostatakrebsstadien verbessert, ohne dass Patientendaten gepaart oder Biopsien zur Inferenz benötigt werden.
Die Arbeit stellt TokenTrace vor, ein proaktives Wasserzeichen-Framework, das durch die gleichzeitige Störung von Text-Prompt-Embeddings und latentem Rauschen sowie eine abfragebasierte Abfrage-Mechanik eine robuste und unabhängige Zuordnung mehrerer Konzepte (wie Objekte und Kunststile) in generierten Bildern ermöglicht.
Die Studie stellt FishProtoNet vor, ein interpretierbares, nicht-invasives Framework auf Basis von Foundation Models zur zuverlässigen Geschlechtsbestimmung der gefährdeten Delta-Männchen (Hypomesus transpacificus) im Aquakulturkontext, das insbesondere für die Laich- und Nachlaichphasen hohe Genauigkeitswerte erzielt.
Die vorgestellte Arbeit schlägt einen Kalibrierungsrahmen für Prompt-Tuning von Vision-Language-Modellen wie CLIP vor, der durch zwei neue Regularisierungsterme die Vorhersagesicherheit verbessert, ohne die für die Generalisierung entscheidende Geometrie des eingebetteten Raums zu verändern.
Die Studie zeigt, dass iterative Feedback-Schleifen in generativen Modellen durch eine Markov-Kette beschrieben werden können, die unter den Bedingungen der Ergodizität und der gerichteten Kontraktion zu einer „neuronalen Resonanz" in einem niedrigdimensionalen invarianten Raum führt, was den Mechanismus des Modellkollapses erklärt und eine Taxonomie sowie Diagnosewerkzeuge für dessen Milderung bereitstellt.