8656 Arbeiten
Die Arbeit stellt SPRITETOMESH vor, eine vollautomatische Pipeline, die mithilfe von maschinellem Lernen zur Segmentierung und algorithmischer Konturverfolgung 2D-Sprites in 300- bis 1200-mal schneller als manuelle Arbeit für Skelettanimationen vorbereitete Dreiecksnetze umwandelt.
Die Autoren stellen einen neuen Ansatz vor, der generative Sprachmodelle nutzt, um kurze, mehrdeutige Textanfragen durch kontextuelle Details und explizite Qualitätskontrollen zu erweitern, um die Qualität der Bildwiedergewinnung in Vision-Language-Modellen gezielt zu steuern.
XMorph ist ein erklärbares und rechen-effizientes Framework, das mithilfe eines hybriden Deep-Learning-Ansatzes mit LLM-Unterstützung und einer informationsgewichteten Grenznormalisierung eine präzise Klassifizierung von Hirntumoren ermöglicht und dabei sowohl hohe Genauigkeit als auch klinisch interpretierbare Einblicke bietet.
Die Arbeit stellt Mask-HybridGNet vor, ein Framework, das graphbasierte medizinische Bildsegmentierung durch direkte Schulung mit standardmäßigen Pixelmasken ermöglicht, wodurch die Notwendigkeit manueller Landmarken-Annotationen entfällt und gleichzeitig eine emergente, anatomisch konsistente Punktkorrespondenz über verschiedene Patienten hinweg erreicht wird.
Das Paper stellt Spa3R vor, ein selbstüberwachtes Framework, das durch Predictive Spatial Field Modeling (PSFM) eine einheitliche 3D-Raumvorstellung aus unposed Mehransichtsbildern lernt und so Vision-Language-Modelle ohne explizite 3D-Modi auf State-of-the-Art-Niveau für räumliches Schlussfolgern bringt.
Das Paper stellt HVG vor, ein latentes Videodiffusionsmodell, das aus einem einzigen Bild hochwertige, 4D-konsistente menschliche Videos mit 3D-Pose- und Blicksteuerung generiert, indem es durch artikulierte Pose-Modulation, Ausrichtung von Ansicht und Zeit sowie progressive räumlich-zeitliche Abtastung Herausforderungen wie selbstverdeckte Falten und Mehransichtskonsistenz löst.
Die Autoren stellen TomoROIS-SurfORA vor, ein zweistufiges Framework, das mittels Deep Learning direkt Regionen von Interesse in der Kryo-Elektronentomographie segmentiert und anschließend morphologische Oberflächeneigenschaften von Membranen quantitativ analysiert.
Die Arbeit stellt „Reflective Test-Time Planning" vor, ein Framework für embodied LLMs, das durch die Integration von Reflexion während der Aktion, nach der Ausführung und retrospektiv die Fähigkeit zur Fehlerkorrektur und langfristigen Kreditvergabe verbessert, was in Langzeit-Haushalts- und Roboter-Benchmarks zu signifikanten Leistungssteigerungen führt.
Diese Arbeit stellt vier Methoden zur komprimierten Multi-Vektor-Indexierung vor, wobei die neu entwickelte, aufmerksamkeitsgesteuerte Clustering-Technik (AGC) auf Text-, Dokumenten- und Videodatenbeständen eine überlegene Effizienz und Genauigkeit bei der Reduzierung von Speicher- und Rechenkosten im Vergleich zu anderen Kompressionsansätzen und dem unkomprimierten Index demonstriert.
Die Arbeit stellt Squint vor, eine visuelle Soft Actor-Critic-Methode, die durch Parallelisierung, einen verteilten Kritiker und optimierte Implementierung das Training von Robotik-Policies auf einem einzelnen GPU in nur wenigen Minuten ermöglicht und damit sowohl die Simulationsgeschwindigkeit als auch den erfolgreichen Transfer auf reale Systeme verbessert.
Die Studie stellt ein skalierbares, selbstüberwachtes Deep-Learning-Verfahren vor, das ohne manuelle Annotationen eine klinisch valide Segmentierung von Herzkammern in Ultraschallbildern ermöglicht und dabei die Genauigkeit überwachter Methoden sowie die Variation zwischen Kliniker erreicht.
Die Arbeit stellt das Face Pyramid Vision Transformer (FPVT) vor, ein neuartiges Modell, das durch die Kombination von CNN-Eigenschaften mit Vision-Transformern und speziellen Reduktionsmechanismen eine kompakte, hochleistungsfähige Gesichtserkennung mit weniger Parametern als bestehende State-of-the-Art-Methoden ermöglicht.
Die Studie kombiniert menschliche Psychophysik und computergestützte Modellierung, um zu zeigen, dass sowohl Menschen als auch das neu entwickelte, biologisch inspirierte Selbstüberwachungsmodell SeCo kontextuelle Beziehungen in Szenen schnell und ohne explizite Labels erlernen können, um verborgene Objekte zuverlässig zu inferieren.
Die Arbeit stellt RDFC-GAN vor, einen neuartigen Zwei-Branch-End-to-End-Fusionsnetzwerk, das RGB- und unvollständige Tiefenbilder nutzt, um durch die Kombination einer auf der Manhattan-Welt-Annahme basierenden Encoder-Decoder-Struktur und eines RGB-Tiefen-Fusions-CycleGAN dichte Tiefenkarten für Innenräume zu rekonstruieren.
Diese Arbeit stellt ein physikgesteuertes neuronales Netzwerk vor, das eine adaptive Runge-Kutta-Methode zweiter Ordnung mit physikalischen Constraints und eine frequenzverstärkte Fourier-Modulierung kombiniert, um die räumlich-zeitliche Vorhersage in Aufgaben wie Wetterprognosen und Videovorhersage mit höherer Präzision und geringerem Parameterbedarf als bestehende Methoden zu verbessern.
Diese Studie zeigt, dass ein mit DeepLabCut individuell trainiertes und verfeinertes System (DLCCT) markerlose Ganganalysen präziser durchführt als vortrainierte Modelle oder OpenPose, und bietet damit eine kostengünstige Alternative für klinische Anwendungen in natürlichen Umgebungen.
Die Arbeit stellt PASS vor, ein neuartiges rekurrentes Hypernetzwerk, das visuelle Prompts nutzt, um die Kanalbedeutung in großen neuronalen Netzen zu erfassen und dadurch effizientere strukturelle Sparsamkeiten mit höherer Genauigkeit und Geschwindigkeit als herkömmliche Methoden zu identifizieren.
Die Arbeit stellt MathScape vor, ein neues Benchmark mit 1.369 realen mathematischen Problemen, das zeigt, dass selbst fortschrittliche multimodale Sprachmodelle bei der Lösung komplexer, realweltlicher Aufgaben hinter menschlichen Leistungen zurückbleiben und sich ihre Ergebnisse bei synthetischen Daten nicht auf reale Szenarien übertragen lassen.
Das Paper stellt -Mesh vor, ein Reinforcement-Learning-Framework, das durch die Kombination von NeRF-generierten Pseudo-Supervisionsdaten und einer UCB-basierten, geometriebewussten Strategie zur dynamischen Auswahl informativer Blickwinkel die geometrische Genauigkeit und die Wiedergabequalität bei der Mesh-Rekonstruktion verbessert.
Die vorgestellte Arbeit stellt CT-AGRG vor, ein automatisiertes Modell, das aus 3D-Bildern der Thorax-CT zunächst Anomalien vorhersagt und darauf aufbauend gezielte Befundberichte generiert, um die Qualität und klinische Relevanz im Vergleich zu ungerichteten Ansätzen zu verbessern.