8612 Arbeiten
Diese Arbeit stellt ein auf U-Net basierendes Deep-Learning-Verfahren zur Segmentierung von Hirntumoren vor, das einen besonderen Schwerpunkt auf die automatische Abgrenzung des nicht kontrastmittelaufnehmenden Tumorbereichs legt, da dieser für die Überlebensprognose und das Wachstumspotenzial von entscheidender Bedeutung ist.
Die vorgestellte Arbeit stellt eine trainingsfreie Methode namens Dynamic Multimodal Activation Steering vor, die durch die dynamische, kontextabhängige Steuerung spezifischer Aufmerksamkeitsköpfe auf Basis von Wahrnehmungs- und Wahrheitsvektoren Halluzinationen in Large Vision-Language Models effektiv reduziert und dabei den aktuellen Stand der Technik übertrifft.
Das Paper stellt SurGo-R1 vor, ein durch RLHF optimiertes Modell mit einer mehrstufigen Architektur, das im Vergleich zu herkömmlichen Vision-Language-Modellen die Erkennung sicherer Operationszonen in der minimalinvasiven Chirurgie durch kontextabhängiges reasoning und Phasenanalyse signifikant verbessert.
Die vorgestellte Methode erweitert einen modellbasierten Rekonstruktionsansatz für Bildgebung, indem sie ein neuronales Netzwerk nutzt, um räumlich adaptive Sparsity-Level-Karten für beliebige Faltungs-Dictionaries zu lernen, was zu verbesserter Interpretierbarkeit, Filter-Permutations-Invarianz und größerer Robustheit gegenüber Datenverteilungsverschiebungen im Vergleich zu reinen Black-Box-Methoden führt.
Die Studie zeigt, dass ein auf Deep Learning basierendes Framework zur Waldbestandsabgrenzung sowohl mit ALS- als auch mit photogrammetrisch abgeleiteten Daten vergleichbar hohe Genauigkeiten erreicht und somit die Nutzung zeitlich abgestimmter, kosteneffizienter DAP-Daten für die Erstellung großer Trainingsdatensätze ermöglicht.
Diese Arbeit stellt ein innovatives Verfahren zur Zahnssegmentierung vor, das durch einen dreistufigen Encoder mit hierarchischen Merkmalen und bidirektionale Sequenzmodellierung die Kontextwahrnehmung verbessert und gleichzeitig den rechenintensiven Overhead von Transformer-Architekturen vermeidet, was auf dem OralVision-Datensatz zu einer signifikanten Steigerung der Genauigkeit führt.
Die Arbeit stellt TranX-Adapter vor, einen leichten Adapter für multimodale große Sprachmodelle, der durch eine innovative Task-aware Optimal-Transport-Fusion und X-Fusion die Aufmerksamkeit für Artefaktmerkmale in der KI-generierten Bilderkennung verbessert und so die Detektionsgenauigkeit signifikant steigert.
Die Arbeit stellt SigVLP vor, ein selbstüberwachtes Vor-Trainingsverfahren für CT-Volumen, das mittels Rotatorischer Positionseingebettungen und feingranularer Text-Volumen-Ausrichtung variable Eingabegrößen bewältigt und so die Informationsverluste durch herkömmliche Zuschneidung vermeidet.
Diese Arbeit stellt einen neuen „Structure-to-Image"-Ansatz vor, der durch die Einführung von Phasenkongruenz und einer cross-level-Strukturconstraint die Lücke zwischen Simulation und Realität in der koloskopischen Tiefenschätzung schließt und so im Zero-Shot-Setting eine signifikante Reduktion des RMSE um bis zu 44,18 % erreicht.
Die Arbeit stellt LiREC-Net vor, ein zielloses, lernbasiertes Netzwerk, das im Gegensatz zu bestehenden bi-modalen Ansätzen LiDAR-, RGB- und Event-Daten in einem einheitlichen Framework gemeinsam kalibriert und dabei eine effiziente, geteilte LiDAR-Repräsentation nutzt, um eine präzise Multi-Sensor-Fusion für autonome Systeme zu ermöglichen.
Die Autoren stellen einen hybriden Parallelismus-Rahmen vor, der eine bedingungsbasierte Datenpartitionierung mit adaptivem Pipeline-Scheduling kombiniert, um die Inferenzzeit von Diffusionsmodellen bei gleichzeitiger Wahrung der Bildqualität signifikant zu verkürzen.
Die Arbeit stellt SAPNet++ vor, ein Netzwerk zur instanzbasierten Segmentierung mit einzelnen Punkthinweisen, das durch semantische und räumliche Bewusstheit sowie neue Module wie S-MIL und Multi-level Affinity Refinement die Herausforderungen von Granularitätsambiguität und Grenzunsicherheit löst und die Segmentierungsleistung auf vier Datensätzen signifikant verbessert.
Die Arbeit stellt CUPID vor, ein neues Framework zum maschinellen Vergessen, das das Problem des „shortcut unlearning" in voreingenommenen Modellen durch die Trennung von kausalen und verzerrungsbasierten Pfaden im Lernprozess adressiert und so eine robuste Entfernung unerwünschter Daten ermöglicht.
Die Arbeit stellt Forensic Answer-Questioning (FAQ) vor, ein umfassendes Benchmark- und Instruction-Tuning-Set, das Vision-Language-Modelle befähigt, durch eine dreistufige Hierarchie von der Gesichtswahrnehmung bis zur forensischen Schlussfolgerung zeitliche Inkonsistenzen in Video-Deepfakes effektiv zu erkennen und zu begründen.
XStreamVGGT ist ein tuning-freier Ansatz, der durch eine Kombination aus effizientem Pruning und dimensionsadaptiver Quantisierung den KV-Cache komprimiert, um die Speichereffizienz und Inferenzgeschwindigkeit von StreamVGGT für skalierbare Streaming-3D-Anwendungen drastisch zu verbessern, ohne dabei die Leistung signifikant zu beeinträchtigen.
Der Artikel stellt GeoMotion vor, einen vollständig lernbasierten Ansatz, der durch die direkte Inferenz von Bewegungssegmenten aus latenten 4D-Geometrie-Features und den Verzicht auf explizite Korrespondenzschätzung eine effiziente und präzise End-to-End-Bewegungssegmentierung in dynamischen Szenen ermöglicht.
Die Arbeit stellt StoryMovie vor, einen Datensatz aus 1.757 visuellen Geschichten, die durch Synchronisation von Drehbüchern und Untertiteln semantisch ausgerichtet sind, und zeigt, dass das darauf trainierte Modell Storyteller3 die Dialogzuordnung und semantische Kohärenz im Vergleich zu rein visuell basierten Modellen signifikant verbessert.
Der Artikel stellt Meta-FC vor, eine neuartige Meta-Learning-Strategie mit Feature-Konsistenz, die durch die gemeinsame Behandlung mehrerer Verzerrungen und die Förderung verzerrungsinvarianter Merkmale die Robustheit und Generalisierbarkeit von Deep-Learning-Wasserzeichen im Vergleich zur herkömmlichen SRD-Methode signifikant verbessert.
Die Studie stellt Learning-to-Re-Prompt (L2RP) vor, ein kostensensitives Framework, das durch die Analyse der Fehlerfortpflanzung bei verschiedenen Prompt-Typen eine adaptive Strategie zur gezielten Einbindung von Expertenwissen entwickelt, um die Genauigkeit und zeitliche Konsistenz der Segmentierung von Barrett-Ösophagus-Videos zu verbessern.
Die Arbeit stellt DynamicGTR vor, ein Framework, das die Fähigkeiten von Vision-Language-Modellen bei Graph-Fragestellungen durch eine dynamische, anfragebasierte Auswahl optimaler Graph-Topologie-Repräsentationen verbessert und so eine präzise, effiziente Zero-Shot-Antwortgebung über verschiedene Domänen hinweg ermöglicht.