8394 Arbeiten
Die vorgestellte Arbeit stellt einen kausalen Dekodierungsrahmen vor, der durch gezielte Interventionen während der Generierung die Halluzination von Objekten in multimodalen Sprachmodellen wirksam reduziert, ohne dabei die allgemeine Ausgabequalität zu beeinträchtigen.
Die Studie zeigt, dass zwar räumliche adversarielle Angriffe auf die Segmentierung von Schilddrüsenknoten in Ultraschallbildern durch Eingangs-Verfahren teilweise gemildert werden können, frequenzbasierte Angriffe jedoch widerstandsfähig gegen die getesteten Verteidigungsmechanismen bleiben.
Die Autoren stellen das Efficient Perceptual Bi-directional Attention Network (Efficient-PBAN) vor, ein effizientes Framework, das durch die Nutzung eines neu erstellten Datensatzes und einer differenzierbaren Wahrnehmungsverlustfunktion die Bild-Super-Resolution direkt auf menschliche Qualitätsvorlieben optimiert und dabei einen besseren Kompromiss zwischen Detailtreue und visueller Qualität erzielt.
Das Paper stellt SPL vor, ein einheitliches Trainingsframework für die 3D-Objekterkennung, das durch semantisches Pseudo-Labeling und Prototypenlernen eine robuste Leistung sowohl im unüberwachten als auch im spärlich überwachten Szenario ohne große manuelle Annotationen erreicht.
Die vorgestellte Arbeit stellt das Asymmetrische Hierarchische Aufmerksamkeitsnetzwerk (AHAN) vor, eine neuartige Architektur, die durch die Kombination von hierarchischer Kreuz-Aufmerksamkeit, einem Modul zur Gesichtssymmetrie-Analyse und einer twin-spezifischen Regularisierung die Genauigkeit bei der Verifizierung von eineiigen Zwillingen auf dem ND_TWIN-Datensatz signifikant verbessert.
Das Paper stellt WaterVIB vor, ein auf dem Variational Information Bottleneck basierendes Framework, das durch das Lernen minimaler ausreichender Statistiken robuste Wasserzeichen gegen AIGC-basierte Angriffe ermöglicht, indem es störende Hochfrequenz-Texturdetails filtert.
Die Arbeit stellt TEA-CXA vor, einen multimodalen Agenten für die Analyse von Röntgenbildern des Thorax, der durch verstärkendes Lernen die Zuverlässigkeit verschiedener fehleranfälliger KI-Tools erlernt und Konflikte zwischen deren Ausgaben effektiv auflöst.
Die Arbeit stellt LiLo-VLA vor, ein modulares Framework, das durch die Entkopplung von Transport und Interaktion sowie den Einsatz objektspezifischer VLA-Modelle robuste, zero-shot-fähige Langzeit-Manipulationsaufgaben in unstrukturierten Umgebungen bewältigt und dabei signifikant bessere Erfolgsraten als bestehende End-to-End-Ansätze erzielt.
Diese Arbeit stellt einen neuen Rahmen für die Rekonstruktion von Außenszenen aus wenigen unpositionierten Ansichten vor, der durch bidirektionale Pseudo-Bild-Wiederherstellung mittels Diffusionsmodellen und eine Szenenwahrnehmung-basierte Gauß-Verwaltung geometrische Inkonsistenzen überwindet und qualitativ hochwertige Ergebnisse liefert.
Die Arbeit stellt IHF-Harmony vor, ein einheitliches Framework auf Basis invertierbarer hierarchischer Flows, das eine verlustfreie und anatomieerhaltende Harmonisierung unpaariger multimodaler MRT-Daten ermöglicht und dabei die Skalierbarkeit sowie die Leistung in nachgelagerten Aufgaben verbessert.
Das Paper stellt VasGuideNet vor, ein neuartiges Framework zur Couinaud-Lebersegmentierung, das die Gefäßtopologie mittels Graph Convolutional Networks und einem strukturellen kontrastiven Verlust explizit nutzt, um die anatomische Konsistenz und Generalisierungsfähigkeit im Vergleich zu bestehenden Methoden signifikant zu verbessern.
Die Arbeit stellt GPOcc vor, ein Framework, das generalisierbare visuelle Geometrie-Priors nutzt, um durch die Erweiterung von Oberflächenpunkten zu volumetrischen Gauß-Primitiven und eine trainingsfreie inkrementelle Aktualisierung die monokulare und Streaming-3D-Belegungsvorhersage signifikant zu verbessern.
Das Paper stellt MultiAnimate vor, ein auf Diffusion Transformern basierendes, erweiterbares Framework für die Pose-gesteuerte Animation mehrerer Charaktere, das durch innovative Komponenten wie den Identifier Assigner und Adapter Identitätsverwirrungen vermeidet und selbst bei Training mit nur zwei Charakteren auf Szenarien mit beliebig vielen Figuren generalisiert.
Die Arbeit stellt SEF-MAP vor, ein robuster multimodaler Ansatz zur Vorhersage von HD-Karten für das autonome Fahren, der durch subspace-dekomponierte Expertenfusion und einen unsicherheitsbewussten Gate-Mechanismus die Konsistenz zwischen Kamera- und LiDAR-Daten verbessert und damit auf den Benchmarks nuScenes und Argoverse2 neue State-of-the-Art-Ergebnisse erzielt.
Diese Arbeit stellt einen Angriff namens Coherence-Preserving Semantic Injection (CSI) vor, der die Verwundbarkeit semantischer Bildwasserzeichen gegenüber LLM-gesteuerten, kohärenz-erhaltenden Manipulationen aufdeckt und damit die Grenzen aktueller Sicherheitsmechanismen für die Urheberrechtsverfolgung aufzeigt.
Die Studie enthüllt, dass bedingte Embeddings in Diffusion-Transformern eine massive semantische Redundanz aufweisen, bei der die meisten Dimensionen unwesentlich sind, sodass das Entfernen von bis zu zwei Dritteln des Embedding-Raums die Generierungsqualität erhält oder sogar verbessert.
Die Studie stellt den ersten öffentlichen, biopsie-verifizierten Datensatz für intrakranielle Tumoren vor und schlägt einen „Virtual Biopsy"-Framework vor, der durch Vision-Language-Modelle und adaptive Aufmerksamkeitsmechanismen eine nicht-invasive, über 90 % genaue MRI-basierte Diagnose ermöglicht und damit die Risiken invasiver Biopsien sowie die Datenknappheit adressiert.
Das Papier stellt UniHand vor, ein einheitliches, diffusionsbasiertes Framework, das die Schätzung und Generierung von 4D-Handbewegungen durch die Integration heterogener Eingaben in einen gemeinsamen latenten Raum vereint, um robuste und präzise Bewegungssequenzen selbst bei starker Okklusion oder unvollständigen Daten zu erzeugen.
Die Arbeit stellt SC-VLA vor, ein selbstkorrigierendes Vision-Language-Action-Modell, das durch die Integration einer spärlichen Weltimagination und eines Online-Aktionsverfeinerungsmoduls die physische Robustheit und Erfolgsrate bei Robotermanipulationsaufgaben im Vergleich zu bestehenden Methoden signifikant verbessert.
Diese Arbeit stellt eine axial-zentrische Cross-Plane-Attention-Architektur vor, die den klinischen Interpretationsablauf nachahmt, indem sie ein auf axialen CT-Bildern vortrainiertes MedDINOv3-Modell mit speziellen Aufmerksamkeitsmechanismen kombiniert, um die diagnostische Genauigkeit bei der Klassifizierung von 3D-Medizinbildern im Vergleich zu bestehenden Methoden signifikant zu steigern.