8698 Arbeiten
Die Arbeit stellt DyMo vor, ein neuartiges Framework zur Inferenzzeit-dynamischen Modalauswahl, das das Dilemma zwischen dem Verwerfen unvollständiger multimodaler Daten und dem Einfügen von Rauschen durch Imputation löst, indem es eine theoretisch fundierte, verlustbasierte Proxy-Metrik nutzt, um zuverlässig rekonstruierte Modalitäten adaptiv zu identifizieren und zu integrieren.
Die vorgestellte Arbeit stellt CMAFNet vor, ein Cross-Modal-Netzwerk, das durch einen Purifizierungs- und Fusionsansatz RGB- und Tiefendaten integriert, um die Erkennung kleiner Defekte in Übertragungsleitungen unter schwierigen Bedingungen signifikant zu verbessern.
Diese Studie stellt ein hybrides Registrierungs- und Segmentierungsframework zur schwach überwachten Tumoranalyse vor, das jedoch zeigt, dass die Übertragung von Labels zwischen Modalitäten zwar für sichtbare Strukturen funktioniert, aber bei der Segmentierung von in der Zielmodalität (CT) unsichtbaren Tumoren aufgrund fehlender diskriminierender Merkmale an ihre Grenzen stößt.
Diese Arbeit stellt das LUMIR25-Verfahren vor, das durch den Einsatz von Registrierungsspezifischen Induktionsverzerrungen, MIND-basierten Verlustfunktionen, Intensitätsrandomisierung und instanzspezifischer Optimierung eine führende Null-Shot-Registerung von Gehirn-MRT-Bildern über verschiedene Kontraste hinweg ermöglicht, ohne auf explizite Bildsynthese angewiesen zu sein.
Die Arbeit stellt ViewRope vor, eine geometriebewusste rotierende Positionseingebung, die Kamerablickrichtungen direkt in Video-Transformer integriert, um die räumliche Konsistenz und Langzeitstabilität von Weltmodellen bei expliziter Kamerasteuerung zu verbessern und gleichzeitig die Rechenkosten durch eine neue geometriebewusste, frame-sparse Aufmerksamkeitsmechanik zu senken.
Das Paper stellt Agent Banana vor, ein hierarchisches Agenten-Framework mit Kontext-Faltung und Bildschicht-Zerlegung, das professionelle, mehrstufige Bildbearbeitung in nativer 4K-Auflösung ermöglicht und durch die HDD-Bench-Evaluierung überlegene Konsistenz und Hintergrundtreue demonstriert.
Diese Studie stellt eine energieeffiziente, auf Frame-Difference basierende Objekterkennungsmethode für IoT-Edge-Geräte vor, die im Vergleich zu End-to-End-Ansätzen eine signifikant höhere Genauigkeit, geringere Latenz und einen besseren Wirkungsgrad bei der Erkennung schnell bewegter Objekte wie Züge und Flugzeuge bietet.
Tele-Omni ist ein einheitliches multimodales Framework, das vortrainierte Large Language Models zur Interpretation heterogener Eingaben (Text, Bilder, Referenzvideos) mit Diffusionsgeneratoren kombiniert, um diverse Videoerstellungs- und Bearbeitungsaufgaben in einem einzigen Modell flexibel und konsistent zu bewältigen.
Die Arbeit stellt Time2General vor, ein Framework für die domänengeneralisierte Video-Semantiksegmentierung, das mithilfe eines räumlich-zeitlichen Speicher-Decoders und eines maskierten zeitlichen Konsistenzverlusts stabile Vorhersagen über verschiedene Domänen und Abtastraten hinweg ermöglicht, ohne auf explizite Korrespondenzpropagation angewiesen zu sein.
Das Paper stellt SAGE vor, ein skalierbares, agentenbasiertes Framework, das durch iterative Selbstverfeinerung realistische und physikalisch valide 3D-Umgebungen für das Training von Embodied-AI-Richtlinien generiert, um die Abhängigkeit von kostspieligen realen Datenerfassungen zu überwinden.
Dieser Beitrag stellt Lösungen für die CXR-LT 2026-Herausforderung vor, die durch eine imbalance-aware Multi-Label-Strategie für langschwanzige Verteilungen und einen überwachungslosen Ansatz für Zero-Shot-Erkennung seltener Befunde in der Thorax-Röntgenbildklassifizierung die Überwachungsdatenknappheit adressiert und dabei den ersten Platz in der öffentlichen Rangliste erreicht.
Die Arbeit stellt MedVAR vor, das erste autoregressive Fundamentmodell für die medizinische Bildgebung, das durch eine Next-scale-Vorhersage und einen harmonisierten Datensatz von 440.000 CT- und MRT-Bildern skalierbare, effiziente und hochwertige Bildsynthese in einer grob-zu-fein-Hierarchie ermöglicht.
Diese Studie stellt einen neuartigen, öffentlich zugänglichen Datensatz zur Erkennung der Reife von Erdbeben vor und bewertet vergleichend YOLO-basierte Modelle, wobei YOLOv8s die beste Gesamtperformance (mAP@50: 86,09 %) erzielt und somit eine wichtige Grundlage für intelligente landwirtschaftliche Anwendungen schafft.
Die Studie zeigt, dass Vision-Language-Modelle bei der räumlichen Lokalisierung gefüllter Zellen in Binärrastern scheitern, solange diese keine Textidentität besitzen, und offenbart, dass ihre räumliche Schlussfolgerung stark von einer Texterkennung abhängt, die ihre native visuelle Verarbeitungsfähigkeit deutlich übertrifft.
Die Arbeit stellt ReMoRa vor, ein multimodales großes Sprachmodell, das durch die Verarbeitung komprimierter, geräuschreduzierter Bewegungsrepräsentationen anstelle vollständiger RGB-Frames eine effiziente und leistungsfähige Langzeit-Videoanalyse ermöglicht.
Der Artikel stellt StructCore vor, eine trainingsfreie, strukturbewusste Methode zur Bildbewertung in der unüberwachten Anomalieerkennung, die durch die Erfassung räumlicher Verteilungsmuster die Grenzen des herkömmlichen Max-Poolings überwindet und auf den Datensätzen MVTec AD sowie VisA neuartige AUROC-Ergebnisse erzielt.
Der Artikel stellt GraphThinker vor, eine Methode zur Verstärkungslern-Feinabstimmung, die durch die Konstruktion von ereignisbasierten Videoszenengraphen und visuelle Aufmerksamkeitsbelohnungen kausale Zusammenhänge in Videos explizit modelliert, um Halluzinationen beim Video-Reasoning zu reduzieren.
Die Arbeit stellt DesignAsCode vor, ein neuartiges Framework, das die Lücke zwischen visueller Qualität und struktureller Bearbeitbarkeit in der Grafikgenerierung schließt, indem es Designs als HTML/CSS-Code durch eine Plan-Implement-Reflect-Pipeline synthetisiert und so überlegene Ergebnisse sowie erweiterte Funktionen wie Layoutanpassung und Animationen ermöglicht.
Die Arbeit stellt BLM-Guard vor, ein erklärbares multimodales System zur Moderation von Werbeanzeigen in Kurzvideos, das durch eine regelgestützte Chain-of-Thought-Datengenerierung und eine verstärkungslernbasierte Feinabstimmung mit politikkonformen Belohnungen präzisere und robustere Ergebnisse als bestehende Methoden erzielt.
Diese Studie bestätigt durch eine erfolgreiche Replikation auf sechs Datensätzen, dass der federierte Ansatz FedTPG durch textgesteuerte Prompt-Generierung eine überlegene Generalisierung auf unbekannte Klassen im Vergleich zu statischen Methoden ermöglicht, ohne dabei private Daten zu teilen.