8706 Arbeiten
Diese Arbeit stellt einen automatisierten Quanten-Machine-Learning-Ansatz (AQML) für die Datenfusion vor, der bei der Verarbeitung multisource-Daten und der Änderungserkennung auf dem ONERA-Datensatz eine höhere Genauigkeit als klassische MLPs und manuell entworfene QML-Modelle erreicht.
Die Arbeit stellt InfoNoise vor, einen datenadaptiven Trainingsplan für Diffusionsmodelle, der mithilfe informationstheoretischer Prinzipien die Rauschverteilung optimiert und damit sowohl die Trainingsgeschwindigkeit als auch die Modellqualität im Vergleich zu manuell abgestimmten Schemata verbessert.
Diese Studie zeigt, dass ein entkoppeltes dynamisches Modell für luftgestützte Kontinuum-Manipulatoren trotz signifikanter Abweichungen in der offenen Schleife eine geschlossene Regelkreis-Leistung erreicht, die mit dem gekoppelten Modell vergleichbar ist, jedoch bei geringeren Rechenkosten.
Die Studie schlägt isomorphe Weltmodelle vor, die die räumliche Topologie sensorischer Kortexstrukturen mittels neuronaler Felder und motor-gesteuerter Kanäle bewahren, wodurch physikalische Vorhersagen als geometrische Propagation erfolgen und zu einer effizienteren Transferleistung sowie der spontanen Entwicklung eines Körperschemas führen.
Die Arbeit stellt LoRun vor, ein effizientes Deep-Learning-Verfahren zur Bildrestauration, das durch den Einsatz eines gemeinsamen vortrainierten Basis-Denoisers und leichtgewichtiger, stufen-spezifischer LoRA-Anpassungen die Parameterredundanz herkömmlicher Deep-Unfolding-Netzwerke überwindet und gleichzeitig eine präzise Anpassung an unterschiedliche Rauschniveaus ermöglicht.
Die Arbeit stellt Video-TwG vor, ein Curriculum-verstärktes Framework, das Video-LLMs durch einen „Think-with-Grounding"-Ansatz befähigt, bei der Langzeit-Videoanalyse bedarfsgerecht relevante Videoclips selektiv heranzuziehen, um Halluzinationen zu reduzieren und das Verständnis komplexer multimodaler Hinweise zu verbessern.
Die Arbeit stellt HIME vor, eine effiziente, trainingsfreie Methode zur gezielten Reduzierung von Objekthalluzinationen in Large Vision-Language Models durch schichtadaptive Gewichtsmanipulation, die auf einem neu eingeführten Halluzinations-Insensitivitäts-Score (HIS) basiert und dabei das vorhandene Vorwissen der Modelle bewahrt.
Die Arbeit stellt NeXt2Former-CD vor, ein effizientes Framework für die Fernerkundungs-Veränderungserkennung, das ConvNeXt-Encoder mit DINOv3-Vorabtrainierung, eine deformierbare Aufmerksamkeitsfusion und einen Mask2Former-Decoder kombiniert, um bei überlegener Genauigkeit gegenüber Mamba-basierten Methoden eine vergleichbare Inferenzgeschwindigkeit zu erreichen.
Die Autoren stellen SMBlurDetect vor, ein einheitliches Framework, das durch die Generierung eines hochwertigen, subtilen Bewegungsunschärfe-Datensatzes und ein darauf trainiertes U-Net-Modell eine präzise, zero-shot Erkennung und Segmentierung von Bewegungsunschärfe in statischen Bildkunstwerken ermöglicht.
Dieser Beitrag stellt eine Methode für das Multi-View-Clustering vor, die durch die explizite Modellierung von Phasenübereinstimmungen in komplexwertigen magnetischen Affinitäten und die Extraktion stabiler spektraler Signale über einen hermiteschen Laplace-Operator robuste, phasenkonsistente Repräsentationen auch bei widersprüchlichen Sichtweisen und Rauschen ermöglicht.
Die Arbeit stellt MiSCHiEF vor, ein Benchmark aus zwei Datensätzen für Sicherheits- und Kulturszenarien, der mittels kontrastiver Minimalpaare zeigt, dass aktuelle Vision-Language-Modelle bei der feingranularen Bild-Text-Ausrichtung, insbesondere bei der Unterscheidung subtiler sicherheitsrelevanter oder kultureller Nuancen, weiterhin erhebliche Schwierigkeiten aufweisen.
Das Paper stellt RoboCurate vor, ein Framework zur Generierung synthetischer Roboterdaten, das die Qualität annotierter Aktionen durch Simulation und Vergleich mit generierten Videos validiert und durch Bildbearbeitung erweitert, wodurch sich die Erfolgsraten im Vergleich zu reinen Real-Daten in verschiedenen Szenarien erheblich steigern lassen.
Die Autoren stellen GeoCode vor, einen neu synthetisierten Multimodal-Datensatz für geometrische Probleme, der durch die Einbeziehung von Plotting-Code als explizites Ausrichtungsziel die visuelle Symbolik-Verknüpfung verbessert und damit die Leistung von Modellen in komplexen geometrischen Schlussfolgerungen signifikant steigert.
Diese Studie stellt einen Benchmark für zehn computergestützte Pathologie-Foundation-Modelle zur semantischen Segmentierung vor, bei dem sich zeigt, dass das multimodale Modell CONCH die besten Ergebnisse erzielt und die Kombination der Merkmalsvektoren mehrerer Modelle die Segmentierungsleistung über alle Datensätze hinweg signifikant verbessert.
Die Arbeit stellt EditedID vor, ein trainingsfreies und plug-and-play-fähiges Framework, das durch eine neuartige Kombination aus Ausrichtung, Entflechtung und Verflechtung die Identitätserhaltung bei der Bearbeitung von Porträts in multimodalen großen Modellen signifikant verbessert.
Die Arbeit stellt Person2Drive vor, eine umfassende Benchmark-Plattform für personalisierte End-to-End-Autonomes Fahren, die durch ein skalierbares Datensammlungssystem, quantitative Stilmetriken und einen angepassten Lernrahmen die bisherige Vernachlässigung individueller Fahrstile überwindet.
Das Paper stellt TAG vor, ein Vision-Language-Framework für die Gesichtsausdrucksanalyse, das durch die Verankerung des multimodalen Schlussfolgerns in visuell überprüfbare Gesichtsbewegungseinheiten (Action Units) die Halluzinationen herkömmlicher Modelle reduziert und gleichzeitig die Robustheit sowie die visuelle Glaubwürdigkeit der Vorhersagen verbessert.
Diese Studie stellt GeoLink-UV vor, ein hochauflösendes, fundiertes Modell-basiertes Kartierungsprodukt, das die Lage und Grenzen von 342 chinesischen Städten umfassend erfasst, um lückenlose Daten für die urbane Governance und nachhaltige Entwicklung zu liefern.
Diese Arbeit stellt ZS-MIL vor, eine Methode zur Few-Shot-Anpassung von Vision-Language-Modellen in der Histopathologie, die die Text-Encoder-Embeddings zur Initialisierung des Klassifikators nutzt und damit die Leistung und Stabilität gegenüber zufälliger Initialisierung signifikant verbessert.
Die Arbeit schlägt eine Methode vor, die Text-zu-Bild-Diffusionsmodelle ohne Nachtraining durch eine kontrastive Testzeit-Steuerung, die auf getrennten Modellen für positive und negative Daten basiert, präziser an menschliche Präferenzen anpasst.