cs.CV Arbeiten | Gist.Science

Transformer-based cardiac substructure segmentation from contrast and non-contrast computed tomography for radiotherapy planning

Die Studie zeigt, dass ein feinabgestimmter, vortrainierter Transformer-basierter Hybridansatz (SMIT) durch balanciertes Curriculum-Learning eine dateneffiziente und robuste Segmentierung von kardialen Substrukturen in kontrastmittelverstärkten und nativen CT-Scans für die Strahlentherapieplanung ermöglicht, die mit einem vollständig annotierten Referenzmodell vergleichbar ist und dabei die Grenzen herkömmlicher CNN-Architekturen wie nnU-Net überwindet.

Aneesh Rangnekar, Nikhil Mankuzhy, Jonas Willmann + 5 more2026-02-26⚡ eess

JailBound: Jailbreaking Internal Safety Boundaries of Vision-Language Models

Das Paper stellt JailBound vor, ein zweistufiges Framework, das die inneren Sicherheitsgrenzen von Vision-Language-Modellen im latenten Raum ausnutzt, um durch gezielte Abtastung und gemeinsame Optimierung von Bild- und Texteingaben effektivere Jailbreak-Angriffe als bestehende Methoden zu ermöglichen.

Jiaxin Song, Yixu Wang, Jie Li + 4 more2026-02-26💻 cs

Learning What Matters: Prioritized Concept Learning via Relative Error-driven Sample Selection

Das Paper stellt PROGRESS vor, ein effizientes Framework zur priorisierten Konzeptlernung für Vision-Language-Modelle, das durch relative Fehler-basierte Stichprobenauswahl ohne aufwändige Vorannotationen oder zusätzliche Überwachung eine überlegene Leistung mit weniger Daten und Rechenressourcen ermöglicht.

Shivam Chandhok, Qian Yang, Oscar Manas + 3 more2026-02-26🤖 cs.AI

LoRA-Edit: Controllable First-Frame-Guided Video Editing via Mask-Aware LoRA Fine-Tuning

Der Artikel stellt LoRA-Edit vor, eine Methode zur maskengesteuerten Feinabstimmung von LoRA in Bild-zu-Video-Modellen, die eine präzise Kontrolle über die zeitliche Entwicklung von Video-Edits ermöglicht, indem sie zwischen dem Erhalt von Quellinhalten und der Generierung neuer, konsistenter Inhalte oder Referenz-gesteuerter Erscheinungen unterscheidet.

Chenjian Gao, Lihe Ding, Xin Cai + 3 more2026-02-26💻 cs

Capturing Stable HDR Videos Using a Dual-Camera System

Die Autoren stellen ein kosteneffizientes, lernbasiertes System zur Generierung stabiler HDR-Videos vor, das eine asynchrone Dual-Kamera-Konfiguration mit einem exposure-adaptiven Fusionsnetzwerk (EAFNet) kombiniert, um zeitliches Flackern und Geisterartefakte zu eliminieren.

Qianyu Zhang, Bolun Zheng, Lingyu Zhu + 4 more2026-02-26⚡ eess

Training-free Mixed-Resolution Latent Upsampling for Spatially Accelerated Diffusion Transformers

Die Arbeit stellt RALU vor, ein trainingsfreies Framework zur räumlichen Beschleunigung von Diffusionstransformern durch gemischte Auflösung und anpassungsfähiges Latent-Upsampling, das Artefakte vermeidet und Geschwindigkeitssteigerungen von bis zu 15,9-fach ermöglicht.

Wongi Jeong, Kyungryeol Lee, Hoigi Seo + 1 more2026-02-26⚡ eess

PRISM: Programmatic Reasoning with Image Sequence Manipulation for LVLM Jailbreaking

Die Studie stellt PRISM vor, einen neuen Jailbreak-Ansatz für Large Vision-Language Models, der durch die Zerlegung schädlicher Anweisungen in harmlose visuelle Bausteine und deren programmatische Verknüpfung die Sicherheitsmechanismen der Modelle umgeht und dabei deutlich höhere Erfolgsquoten als bestehende Methoden erzielt.

Quanchen Zou, Zonghao Ying, Moyang Chen + 7 more2026-02-26💻 cs

LLaDA-MedV: Exploring Large Language Diffusion Models for Biomedical Image Understanding

Die Arbeit stellt LLaDA-MedV vor, das erste auf Biomedizin zugeschnittene Large Language Diffusion Model, das durch Vision Instruction Tuning neue State-of-the-Art-Ergebnisse in biomedizinischen Bildverständnis-Aufgaben erzielt und dabei Masked Diffusion-Modelle als vielversprechende Alternative zu autoregressiven Ansätzen etabliert.

Xuanzhao Dong, Wenhui Zhu, Xiwen Chen + 5 more2026-02-26💻 cs

Lang2Lift: A Language-Guided Autonomous Forklift System for Outdoor Industrial Pallet Handling

Das Paper stellt Lang2Lift vor, ein autonomes Gabelstaplersystem für den Außenbereich, das natürliche Sprachbefehle nutzt, um mittels tiefenlernbasierter Wahrnehmung und Bewegungsplanung Gabeln präzise in Paletten einzuführen.

Huy Hoang Nguyen, Johannes Huemer, Markus Murschitz + 3 more2026-02-26💻 cs

Voxel Densification for Serialized 3D Object Detection: Mitigating Sparsity via Pre-serialization Expansion

Die vorgestellte Arbeit führt das Voxel-Densifizierungsmodul (VDM) ein, das durch eine räumliche Expansion vor der Serialisierung die Sparsity von 3D-Punktwolken adressiert und so die Genauigkeit von Transformer- und SSM-basierten Objektdetektoren auf mehreren Benchmarks signifikant verbessert.

Qifeng Liu, Dawei Zhao, Yabo Dong + 6 more2026-02-26💻 cs

Variation-aware Vision Token Dropping for Faster Large Vision-Language Models

Die Arbeit stellt V²Drop vor, einen variationsbasierten Ansatz zum dynamischen Entfernen visueller Tokens in Large Vision-Language Models, der die Inferenzlatenz erheblich reduziert, ohne dabei die Leistung bei Bild- und Videoaufgaben signifikant zu beeinträchtigen.

Junjie Chen, Xuyang Liu, Zichen Wen + 3 more2026-02-26💻 cs

MedicalPatchNet: A Patch-Based Self-Explainable AI Architecture for Chest X-ray Classification

Die Studie stellt MedicalPatchNet vor, eine selbst-erklärbare KI-Architektur für die Klassifizierung von Thorax-Röntgenbildern, die durch die patch-basierte Analyse und Aggregation von Bildregionen eine hohe diagnostische Genauigkeit mit einer verbesserten, intuitiven Nachvollziehbarkeit der Entscheidungsfindung verbindet und somit das Vertrauen in der klinischen Anwendung stärkt.

Patrick Wienholt, Christiane Kuhl, Jakob Nikolas Kather + 2 more2026-02-26🤖 cs.LG

JanusVLN: Decoupling Semantics and Spatiality with Dual Implicit Memory for Vision-Language Navigation

JanusVLN ist ein neuartiges Framework für die visuell-sprachbasierte Navigation, das durch eine duale implizite neuronale Speichermethode Semantik und räumliche Information entkoppelt, um die Effizienz zu steigern und den State-of-the-Art in diesem Bereich zu erreichen.

Shuang Zeng, Dekang Qi, Xinyuan Chang + 7 more2026-02-26💻 cs

Uncovering Grounding IDs: How External Cues Shape Multimodal Binding

Die Arbeit führt das Konzept der „Grounding IDs" ein, latente Identifikatoren, die durch externe visuelle Hinweise entstehen und als symbolischer Mechanismus die multimodale Bindung zwischen Objekten und Text stärken, wodurch die Genauigkeit von Large Vision-Language-Modellen verbessert und Halluzinationen reduziert werden.

Hosein Hasani, Amirmohammad Izadi, Fatemeh Askari + 4 more2026-02-26🤖 cs.AI

Hallucination Filtering in Radiology Vision-Language Models Using Discrete Semantic Entropy

Diese retrospektive Studie zeigt, dass die Anwendung diskreter semantischer Entropie (DSE) zur Filterung von Fragen mit hoher Unsicherheit die diagnostische Genauigkeit von Black-Box-Vision-Language-Modellen in der Radiologie signifikant verbessert, indem sie Halluzinationen zuverlässig erkennt und eliminiert.

Patrick Wienholt, Sophie Caselitz, Robert Siepmann + 6 more2026-02-26💻 cs

ImpMIA: Leveraging Implicit Bias for Membership Inference Attack

Die Arbeit stellt ImpMIA vor, einen neuen White-Box-Angriff auf die Mitgliedschaftsinferenz, der die implizite Verzerrung neuronaler Netze und KKT-Bedingungen nutzt, um Trainingsdaten ohne die üblichen Annahmen über Referenzmodelle oder Trainingshyperparameter zu identifizieren und dabei den aktuellen Stand der Technik übertrifft.

Yuval Golbari, Navve Wasserman, Gal Vardi + 1 more2026-02-26🤖 cs.LG

Uni-MMMU: A Massive Multi-discipline Multimodal Unified Benchmark

Die Arbeit stellt Uni-MMMU vor, ein umfassendes Benchmark für multimodale Modelle, das durch bidirektionale Aufgaben in acht Disziplinen die Synergie zwischen visuellem Verständnis und Generierung systematisch evaluiert und damit neue Erkenntnisse für die Weiterentwicklung einheitlicher Modelle liefert.

Kai Zou, Ziqi Huang, Yuhao Dong + 7 more2026-02-26💻 cs

Caption-Driven Explainability: Probing CNNs for Bias via CLIP

Diese Arbeit stellt eine caption-basierte XAI-Methode vor, die durch die Integration eines zu erklärenden CNNs in das CLIP-Modell mittels eines neuartigen Netzwerkchirurgie-Ansatzes dominante Konzepte identifiziert, um die Robustheit von Modellen gegenüber Kovariatenverschiebungen zu erhöhen und irreführende Salienz-Karten zu vermeiden.

Patrick Koller, Amil V. Dravid, Guido M. Schuster + 1 more2026-02-26⚡ eess

World Simulation with Video Foundation Models for Physical AI

Das Paper stellt Cosmos-Predict2.5 und Cosmos-Transfer2.5 vor, eine neue Generation von Welt-Foundation-Modellen für physische KI, die durch eine einheitliche Architektur, verbesserte Textsteuerung und effizientere Simulationen die Erzeugung synthetischer Daten sowie die Entwicklung robuster robotischer Systeme vorantreiben.

NVIDIA, :, Arslan Ali + 87 more2026-02-26🤖 cs.AI

Compression then Matching: An Efficient Pre-training Paradigm for Multimodal Embedding

Die Arbeit stellt CoMa vor, einen effizienten Vortrainingsansatz, der durch eine komprimierte Phase das semantische Verständnis von Multimodal Large Language Models verbessert und sie so mit wenig Daten zu wettbewerbsfähigen Embedding-Modellen für Downstream-Aufgaben macht.

Da Li, Yuxiao Luo, Keping Bi + 7 more2026-02-26💻 cs

← Zurück Weiter →