8614 Arbeiten
Das Paper stellt AutoSew vor, einen vollständig automatisierten, rein geometriebasierten Ansatz, der mithilfe von Graph Neural Networks und optimaler Transporttheorie Nahtkorrespondenzen direkt aus 2D-Schnittmustern vorhersagt und dabei durch die Einführung eines annotierten Datensatzes sowie eine hohe Genauigkeit bestehende Methoden übertrifft.
Die Arbeit stellt NESTOR vor, einen auf einem verschachtelten Mixture-of-Experts-Framework basierenden neuronalen Operator, der durch die Kombination von globalen und lokalen Abhängigkeitsmodellen eine effiziente Large-Scale-Vorverarbeitung für diverse PDE-Systeme ermöglicht und sich durch verbesserte Generalisierung und Übertragbarkeit auf nachgelagerte Aufgaben auszeichnet.
Das Paper stellt AdaSpot vor, ein effizientes Framework für die präzise Ereigniserkennung in Videos, das durch die adaptive Auswahl informativer Bildbereiche in hoher Auflösung bei gleichzeitiger Verarbeitung des restlichen Bildmaterials in niedriger Auflösung sowohl den Rechenaufwand reduziert als auch den State-of-the-Art in Bezug auf Genauigkeit erreicht.
Das Paper stellt WeatherCity vor, ein neuartiges Framework zur rekonstruierbaren 4D-Wiedergabe urbaner Szenen, das durch eine textgesteuerte Bildbearbeitung, eine spezielle Wetter-Gaussian-Repräsentation und physikbasierte Partikelmodelle eine hochauflösende, konsistente und kontrollierbare Simulation verschiedener Wetterbedingungen für autonome Fahrzeuge ermöglicht.
Die Studie stellt Brain3D vor, ein spezialisiertes 3D-Vision-Language-Modell, das durch eine gestufte Anpassung eines auf 2D vortrainierten Encoders präzise klinische Befundberichte für Hirntumoren aus volumetrischen MRT-Daten generiert und dabei die räumlichen Grenzen herkömmlicher 2D-Ansätze überwindet.
Die Arbeit stellt GeoDiv vor, ein Framework, das große Sprach- und Vision-Language-Modelle nutzt, um systematisch geografische Verzerrungen und mangelnde Vielfalt in Text-zu-Bild-Modellen zu messen und aufzeigt, wie diese oft stereotype, sozioökonomisch verzerrte Darstellungen von Ländern wie Indien, Nigeria und Kolumbien erzeugen.
Das Paper stellt Lumosaic vor, ein kompaktes aktives Hyperspektralvideosystem, das durch die Synchronisation einer schmalbandigen LED-Array-Beleuchtung mit einem Kamera-Sensor, der eine koderte Pixelbelichtung ermöglicht, hochauflösende, spektral genaue und zeitlich stabile Hyperspektralvideos dynamischer Szenen in Echtzeit erfasst.
Die Arbeit stellt WeaveTime vor, ein effizientes und modellunabhängiges Framework für Video-LLMs, das durch eine leichte zeitliche Rekonstruktionsaufgabe und einen unsicherheitsgesteuerten Abrufmechanismus die zeitliche Kausalität in Streaming-Szenarien sicherstellt und so Genauigkeit bei gleichzeitiger Latenzreduktion verbessert.
Die Studie stellt MedTri vor, ein Framework zur Normalisierung medizinischer Berichte in strukturierte Tripletts, das durch die Beseitigung von Stilvariationen und irrelevante Inhalten die Qualität des medizinischen Vision-Language-Pretrainings signifikant verbessert.
Die Arbeit stellt NoLan vor, ein training-freies Framework, das Objekthalluzinationen in Large Vision-Language Models durch die dynamische Unterdrückung sprachlicher Priors im Decoder effektiv reduziert.
Das Papier stellt CASR vor, einen effizienten zyklischen Rahmen für die beliebige Skalierung von Bildern, der durch die Module SDAM und SARM Verteilungsverschiebungen und Inkonsistenzen überwindet, um bei extremen Vergrößerungen stabile Ergebnisse und eine hohe Generalisierungsfähigkeit zu gewährleisten.
Die Studie stellt einen neuartigen Region-Level-Mixing-Encoder vor, der Repräsentationen aus gemischten Vergrößerungsstufen mittels eines Masked-Embedding-Modeling-Vortrainings kombiniert, um die Generalisierbarkeit in der computergestützten Pathologie zu verbessern und die Anzahl der benötigten Repräsentationen pro Slide zu reduzieren.
Die Studie zeigt, dass handelsübliche Bild-zu-Bild-Generativmodelle durch einfache Textprompts als universelle Denoiser eingesetzt werden können, um eine Vielzahl von Bildschutzmechanismen wirksamer zu umgehen als bisherige spezialisierte Angriffe und damit eine weitverbreitete Sicherheitslücke aufzudecken.
Das Paper stellt WHOLE vor, eine Methode, die durch einen generativen Prior Hand- und Objektbewegungen gemeinsam aus Egocentric-Videos rekonstruiert, um die Herausforderungen von Okklusionen und inkonsistenten Beziehungen zu überwinden und damit den aktuellen Stand der Technik in der Pose-Schätzung zu verbessern.
Dieses Paper adressiert das Problem der Variablenpartitionierung in Shapley-Wert-basierten Erklärbarkeitsmethoden, indem es durch die Analyse von Interaktionen und die Einführung neuer Metriken zur Bewertung von Koalitionszuverlässigkeit attributive Konflikte löst und damit intuitivere Erklärungen für KI-Modelle ermöglicht.
Die Arbeit stellt Proto-Caps vor, ein interpretierbares Deep-Learning-Modell, das Kapselnetzwerke, Prototypenlernen und privilegierte Informationen kombiniert, um auf dem LIDC-IDRI-Datensatz sowohl die Vorhersagegenauigkeit für Lungenknoten als auch die visuelle Nachvollziehbarkeit der Diagnose im Vergleich zu bestehenden Methoden signifikant zu verbessern.
Die Arbeit stellt PILOT vor, eine Optimierungsmethode im latenten Raum, die durch semantische Zentrierung und einen Hintergrund-Erhaltungslauf die Kohärenz und Vielseitigkeit von Bildinpainting mit großen, vortrainierten Diffusionsmodellen ohne Nachtraining verbessert.
Die Arbeit stellt ScaleDepth vor, eine neuartige Methode zur monokularen metrischen Tiefenschätzung, die durch die Zerlegung in Szenenskala und relative Tiefe sowie die Nutzung semantischer Informationen eine robuste Generalisierung über verschiedene Innen- und Außenszenarien hinweg ohne Nachjustierung ermöglicht.
Die Arbeit stellt DreamBarbie vor, ein neuartiges textgesteuertes Framework, das hochwertige, animierbare 3D-Avatare im Barbie-Stil mit entkoppelten Accessoires und simulationsbereiten Kleidungsstücken erzeugt, indem es eine SDF-basierte Initialisierung und spezialisierte Diffusionsmodelle nutzt, um geometrische Artefakte zu minimieren und eine 100-fache Beschleunigung zu erreichen.
Die Studie stellt ein auf Generativer Künstlicher Intelligenz basiertes Verfahren vor, das aus nicht-invasiven ultraweitfeldigen Retinabildern realistische fluoresceinangiografische Bilder generiert und dadurch die Klassifizierung der diabetischen Retinopathie signifikant verbessert, ohne dass ein intravenöser Farbstoff injiziert werden muss.