8346 Arbeiten
Das Paper stellt ColoDiff vor, ein diffusionsbasiertes Framework, das durch die Integration von Zeit- und Inhaltsbewusstheit sowie eine nicht-Markovsche Abtaststrategie dynamisch konsistente und klinisch steuerbare Koloskopie-Videos zur Bewältigung von Datenknappheit und zur Unterstützung der Diagnosegenerierung erzeugt.
Diese Arbeit entwickelt ein computergestütztes Framework namens BrokenEyes, um die Auswirkungen von fünf häufigen Augenerkrankungen auf die Gesichtererkennung und neuronale Merkmalsdarstellungen in Deep-Learning-Modellen zu simulieren und zu analysieren.
Die vorgestellte Arbeit führt Dual-Coupled PnP Diffusion mit spektraler Homogenisierung ein, um die durch fehlende Gedächtniseffekte verursachte Verzerrung und die durch strukturierte Residuen ausgelösten Halluzinationen bei der medizinischen Bildrekonstruktion zu überwinden und so eine konvergente, hochpräzise Lösung zu gewährleisten.
Diese Arbeit stellt Multidimensionales Aufgabenlernen (MTL) als ein einheitliches tensorbasiertes mathematisches Framework vor, das auf verallgemeinerten Einstein-MLPs beruht und durch den Verzicht auf strukturelles Flattening eine natürlichere und ausdrucksstärkere Formulierung von Computer-Vision-Aufgaben ermöglicht als herkömmliche matrixbasierte Ansätze.
Das Paper stellt UniScale vor, ein einheitliches, skalierbares 3D-Rekonstruktionsframework für die robotische Wahrnehmung, das durch modulare Integration geometrischer Priors und einen einzigen Feed-Forward-Netzwerk metrische Tiefen- und Kameraparameter aus Multi-View-Bildern schätzt, ohne dass ein Training von Grund auf erforderlich ist.
Die Arbeit zeigt, dass Large Multimodal Models (LMMs) durch In-Context-Learning und die vorgeschlagene, trainingsfreie Methode CIRCLE sowohl in geschlossenen als auch in offenen Klassifizierungsszenarien wettbewerbsfähige Alternativen zu spezialisierten Contrastive Vision-Language-Modellen darstellen.
Die Arbeit zeigt, dass die Verwendung mehrerer Kameraperspektiven zur Triangulation präziserer 3D-Skelettdaten die Leistung von Skelett-basierten Aktionserkennungssystemen erheblich verbessert und daher als Standard für zukünftige Forschung empfohlen wird.
Die Arbeit stellt GUIPruner vor, ein training-freies Framework, das durch zeitlich adaptive Auflösung und schichtweise strukturbewusste Pruning die Effizienz von hochauflösenden GUI-Agenten drastisch steigert, ohne deren Genauigkeit zu beeinträchtigen.
Die Arbeit stellt RaWMPC vor, ein einheitliches Framework für das autonome Fahren, das durch die Kombination eines risikobewussten Weltmodells und einer selbst-evaluierenden Destillation zuverlässige, generalisierbare Entscheidungen in seltenen Szenarien trifft, ohne auf Experten-Demonstrationen angewiesen zu sein.
Diese Arbeit stellt einen spektralen Differenziellen-Privatsphäre-Rahmen vor, der die Bildgenerierung durch eine zweistufige Methode verbessert, bei der ein privates Modell nur die niedrigfrequenten Wavelet-Koeffizienten für grobe Strukturen lernt, während hochauflösende Details über ein öffentliches Super-Resolution-Modell hinzugefügt werden, um so die Bildqualität bei starken Privatsphäre-Garantien zu erhalten.
Der Artikel stellt LineGraph2Road vor, ein Framework, das durch die Umformulierung der Straßenverbindungsvorhersage als binäre Klassifikation auf einer globalen Graphenstruktur und die Anwendung eines Graph-Transformers auf den zugehörigen Liniengraphen den State-of-the-Art bei der automatischen Extraktion von Straßennetzen aus Satellitenbildern erreicht.
Die Arbeit stellt PGVMS vor, ein promptgesteuertes, einheitliches Framework, das mithilfe von drei innovativen Strategien – adaptiver Prompt-Steuerung, proteinbewusstem Lernen und prototypenkonsistentem Lernen – virtuelle multiplexe IHC-Färbungen aus H&E-Bildern unter Verwendung von Uniplex-Trainingsdaten erzeugt und dabei semantische Leitlinien, Verteilungskonsistenz und räumliche Ausrichtung verbessert.
Die Arbeit stellt ART-STVG vor, ein neuartiges AutoRegressives-Transformer-Modell mit speicherbasierten Selektionsmechanismen und einer kaskadierten Architektur, das die Herausforderungen der räumlich-zeitlichen Videoverankerung in langen Videos durch sequenzielle Verarbeitung und effiziente Kontextmodellierung bewältigt.
Der Artikel stellt ManifoldGD vor, ein trainingsfreies Framework für die Datensatz-Distillation, das durch hierarchische Clustering-basierte IPCs und eine manigfaltigkeitskonsistente Guidance in Diffusionsmodellen kompakte, aber informationsreiche Datensätze erzeugt, die sowohl die semantische Vielfalt als auch die Bildqualität verbessern.
Das Paper stellt PRIMA vor, ein Framework, das durch die Integration von risikobasiertem medizinischem Wissen in einen Text-Encoder und eine dual-encoder Vorausbildung mit vier Verlustfunktionen die visuelle und textliche Analyse für die medizinische Diagnose verbessert und dabei robuste Ergebnisse ohne massive Datenmengen erzielt.
Die Arbeit stellt eine Retrieval-augmentierte Testzeit-Adapter-Methode vor, die durch die Kombination von Textprompts mit wenigen pixelgenau annotierten Beispielen die Lücke zwischen zero-shot und vollüberwachter Open-Vocabulary-Segmentierung schließt, indem sie einen leichten, pro-Bild-Klassifikator durch gelerntes multimodales Fusionieren trainiert.
Die Studie zeigt, dass die mangelnden Schlussfolgerungsfähigkeiten von Vision-Language-Modellen auf einen in den Trainingsdaten vorherrschenden Berichtsbias zurückzuführen sind, der durch reine Skalierung nicht behoben werden kann, sondern eine gezielte Kuratierung von Daten erfordert, die implizite Informationen explizit machen.
Diese Arbeit untersucht den Einfluss intrinsischer Parameter von ereignisbasierten Kameras auf die Leistung von Objekterkennungsmodellen und nutzt diese Erkenntnisse, um sensorunabhängige Robustheit durch gemeinsames Verteilungstraining zu erreichen.
Die vorgestellte Methode PLADA ermöglicht die effiziente Übertragung von Aufgabenwissen mit einem Datenpaket von weniger als 1 MB, indem sie statt der Pixelübertragung nur Klassenlabels für ein vorab geladenes Referenzdatenset sendet und dieses durch einen Pruning-Mechanismus auf die semantisch relevantesten Bilder filtert.
Das Paper stellt SeeThrough3D vor, ein Modell zur textbasierten 3D-Generierung, das durch eine neuartige okklusionsbewusste 3D-Szenendarstellung und maskierte Selbstattention präzise räumliche Anordnungen, realistische Verdeckungen und konsistente Kameraperspektiven ermöglicht.