7588 Arbeiten
SegMoTE ist ein effizientes, adaptives Framework, das das Segmentierungsmodell SAM durch eine tokenbasierte Mixture-of-Experts-Architektur und einen fortschrittlichen Prompt-Mechanismus an medizinische Bildgebungsdaten anpasst und dabei mit weniger als 1 % des üblichen Annotationsaufwands state-of-the-art-Ergebnisse über verschiedene Modalitäten hinweg erzielt.
Die Autoren stellen das KRSVQG-Modell vor, das durch die Integration von externen Wissensquellen und Bildunterschriften automatisch generierte Fragen für Fernerkundungsbilder erweitert, um über rein pixelbasierte Beschreibungen hinauszugehen und menschenähnliches Common Sense-Wissen in die visuelle Fragegenerierung einzubringen.
Die Autoren stellen eine Methode zur kontrollierten Manipulation und Synthese von Gesichtern im semantischen latenten Raum vor, die durch entanglement-reduzierende Techniken wie abhängige Konditionierung und orthogonale Projektion hochwertige Daten für das Training von Gesichtsausdruckserkennungsmodellen generiert und so deren Genauigkeit sowie Disentanglement signifikant verbessert.
Die Autoren stellen KRSVQG vor, ein wissensbasiertes Modell zur Generierung von Fragen zu Fernerkundungsbildern, das durch die Integration externer Wissensdreier und Bildunterschriften qualitativ hochwertigere und kontextbewusstere Fragen erzeugt als bestehende Methoden.
Die Arbeit stellt RegionRoute vor, ein auf Diffusionsmodellen basierendes Framework, das durch eine aufmerksamkeitsüberwachte Schulung und spezialisierte Verlustfunktionen eine präzise, maskefreie regionale Stiltransferierung ermöglicht und dabei sowohl die stilistische Übereinstimmung als auch die Identitätserhaltung verbessert.
Die Arbeit stellt CORVET vor, einen ressourcenschonenden Vektorprozessor für Edge-AI, der durch einen CORDIC-basierten MAC-Einheit mit adaptiver Genauigkeit und Zeitmultiplexierung eine hohe Durchsatzdichte und Energieeffizienz bei variabler Präzision erreicht.
Die Arbeit stellt DD-CAM vor, einen gradientenfreien Ansatz, der mithilfe von Delta-Debugging die kleinste ausreichende Teilmenge von Repräsentationseinheiten identifiziert, um präzise und lokal genauere Erklärungen für Bilderkennungsmodelle zu generieren.
Die vorgestellte Arbeit entwickelt ein zweistufiges Framework aus Detektion und Verfolgung, das durch die Aggregation auf Spurenebene eine stabile und zeitlich konsistente Qualitätsinspektion von Äpfeln auf dichten Förderbändern ermöglicht.
Die Arbeit stellt das MRI CEKWorld-Modell mit räumlich-zeitlicher Konsistenzlernen (STCL) vor, das durch latente Ausrichtungs- und Differenzlernen die Effizienz von MRT-Kontrastmittelaufnahmen verbessert, indem es überlappende zeitliche Lücken überbrückt und gleichzeitig die räumliche Struktur sowie die zeitliche Kontinuität der Kontrastkinetik sicherstellt.
Das Paper stellt WildOS vor, ein integriertes System für die offene Objektsuche in der Wildnis, das durch die Kombination von sicherer geometrischer Exploration und semantischer visueller Schlussfolgerung mittels eines auf Fundamentmodellen basierenden Ansatzes eine robuste und effiziente autonome Navigation in komplexen, unstrukturierten Umgebungen ermöglicht.
Die Arbeit stellt IPv2 vor, eine verbesserte Bildbereinigungsstrategie, die durch die Einführung von Modulen zur Hintergrundentfernung und Rauschreduktion in Lungenparenchym und Hintergrund die Rauschunterdrückung und Strukturerhaltung bei der Entrauschung von realen Ultra-Low-Dose-Lungen-CT-Bildern signifikant verbessert.
Die Arbeit stellt USR 2.0 vor, eine effiziente und robuste Methode für die einheitliche Spracherkennung, die durch CTC-gesteuertes Teacher Forcing und gemischtes Sampling die Trainingszeit halbiert und gleichzeitig die Leistung bei verrauschten oder aus dem Verteilungsbereich liegenden Eingaben deutlich verbessert.
Die Studie stellt US-JEPA vor, ein selbstüberwachtes Framework, das mithilfe einer statischen Lehrer-Architektur und der SALT-Zielfunktion robuste Repräsentationen für medizinische Ultraschallbilder erzeugt und dabei auf UltraBench konkurrenzfähige Ergebnisse im Vergleich zu bestehenden State-of-the-Art-Modellen erzielt.
Die Arbeit stellt „DefenseSplat" vor, eine frequenzbasierte Verteidigungsstrategie, die durch Wavelet-Transformationen und Filterung hochfrequenter Störungen die Robustheit von 3D-Gaussian-Splatting gegenüber adversarialen Angriffen verbessert, ohne die Leistung auf sauberen Daten signifikant zu beeinträchtigen.
Die Studie stellt „RetinaVision" vor, ein webbasiertes Deep-Learning-Framework, das OCT-Bilder mit einer Genauigkeit von 95,25 % (mittels Xception) klassifiziert und durch XAI-Methoden wie GradCAM und LIME die Interpretierbarkeit für die klinische Anwendung sicherstellt.
Das Paper stellt MultiDiffSense vor, einen einheitlichen Diffusionsmodell-Ansatz, der auf CAD-basierten Tiefenkarten und strukturierten Prompts basiert, um physikalisch konsistente, multimodale visuo-taktile Bilder für verschiedene Sensoren zu synthetisieren und so die datenhungrige Erfassung realer Datensätze für robotische Anwendungen erheblich zu beschleunigen.
Die Arbeit stellt UP-Fuse vor, ein neuartiges, unsicherheitsgesteuertes Fusionsframework im 2D-Reichweitenblick, das durch die dynamische Gewichtung visueller Merkmale auf Basis von Unsicherheitskarten eine robuste 3D-panoptische Segmentierung auch bei schwerwiegenden Kameraausfällen oder Kalibrierungsfehlern ermöglicht.
Das Paper stellt PoseCraft vor, ein Diffusionsframework, das diskretisierte 3D-Körperlandmarken und Kameraparameter als Conditioning-Tokens nutzt, um fotorealistische menschliche Avatare mit präziser Pose- und Kamerasteuerung zu synthetisieren und dabei die Grenzen bestehender rigging-basierter oder volumetrischer Methoden zu überwinden.
Die Studie „MentalBlackboard" stellt einen Benchmark für die räumliche Visualisierung von Vision-Language-Modellen mittels Papierfaltungs- und Lochbohrungsaufgaben vor und zeigt, dass selbst fortschrittliche Modelle bei der Anwendung symmetrischer Transformationen und der räumlichen Planung erhebliche Schwierigkeiten haben.
Die Arbeit stellt die neue Aufgabe der „Referring Layer Decomposition" (RLD) vor, die durch den großen Datensatz RefLade und das Basismodell RefLayer ermöglicht, aus einzelnen RGB-Bildern unter Verwendung flexibler Benutzeranweisungen präzise, objektbewusste RGBA-Ebenen zu generieren.