8789 Arbeiten
Die Arbeit stellt AA-YOLO vor, einen ressourcenschonenden und robusten Ansatz zur Infrarot-Kleinstziel-Erkennung, der durch die Integration eines statistischen Anomalie-Tests in den Detektionskopf die Fehlalarmrate effektiv reduziert und sich leicht auf verschiedene YOLO-Architekturen übertragen lässt.
Das Papier stellt LayerSync vor, eine domainsunabhängige und selbstausgerichtete Regularisierungsmethode für Diffusionsmodelle, die durch die Nutzung semantisch reicherer Zwischenschichten als intrinsische Führung die Trainingsgeschwindigkeit und Generierungsqualität ohne externe Modelle oder Daten signifikant verbessert.
Die Arbeit stellt π-Flow vor, ein policy-basiertes Few-Step-Generationsmodell, das durch Imitationsdistillation und dynamische Flussgeschwindigkeiten eine stabile Ausbildung ermöglicht, die Qualitäts-Diversitäts-Trade-offs vermeidet und gleichzeitig bei extrem wenigen Netzwerkauswertungen (NFE) state-of-the-art Ergebnisse auf Bildgenerierungs-Benchmarks erzielt.
Diese Studie analysiert die Inferenz-Latenz von Vision Transformern auf mobilen Geräten im Vergleich zu CNNs und entwickelt darauf aufbauend einen Datensatz, der eine präzise Vorhersage der Latenz neuer ViT-Architekturen ermöglicht.
Die vorgestellte Studie verbessert die Segmentierung von Netzhautarterien und -venen in Doppler-Hologrammen, indem sie durch eine Pulsanalyse abgeleitete zeitliche Merkmale in Standard-U-Net-Architekturen integriert, um die Leistung komplexerer Modelle zu erreichen und die quantitative Auswertung der retinalen Hämodynamik zu ermöglichen.
Das Paper stellt INQUIRE-Search vor, ein Open-Source-System, das mithilfe von natürlicher Sprache die effiziente Suche und Analyse komplexer ökologischer Phänomene in großen Biodiversitätsdatenbanken wie iNaturalist ermöglicht und damit manuelle Inspektionen um den Faktor 3 bis 25 übertrifft.
Die Arbeit stellt SlotSPE vor, ein schlüsselbasiertes Framework, das durch komprimierte, modality-spezifische Slots die effiziente Modellierung intra- und intermodaler Interaktionen sowie die Entdeckung unannotierter prognostischer Ereignisse in multimodalen Krebsdaten ermöglicht und dabei in acht von zehn Kohorten bestehende Methoden übertrifft.
Die Studie stellt einen neuen hierarchischen Rahmen für die semantische Segmentierung vor, der durch explizite anatomische Hierarchien und rekursive Vorhersagen die Genauigkeit und klinische Plausibilität bei der Detektion von Zahnschichten auf Panoramaröntgenbildern verbessert, auch wenn dies zu einer leichten Zunahme von falsch positiven Ergebnissen führt.
Das Paper stellt CODA vor, eine effiziente Erweiterung von Slot Attention mit Register-Slots und kontrastivem Alignment, die die Entanglement-Probleme löst und die objektspezifische Lernleistung sowie die Bildgenerierung auf synthetischen und realen Datensätzen signifikant verbessert.
Das Paper stellt RefVFX vor, einen abstimmlungslosen, feed-forward Framework, der komplexe zeitliche Effekte aus einem Referenzvideo auf ein Zielvideo oder -bild überträgt und dabei durch ein neuartiges, automatisiert generiertes Datenset sowie einen referenzbasierten Ansatz überlegene Ergebnisse in Bezug auf zeitliche Kohärenz und Generalisierung im Vergleich zu prompt-basierten Methoden erzielt.
Die Arbeit stellt MDAFNet vor, ein Netzwerk zur Infrarot-Kleinstziel-Erkennung, das durch ein Multi-Scale-Differential-Edge-Modul zum Ausgleich von Kantenverlusten und ein Dual-Domain-Adaptive-Feature-Enhancement-Modul zur adaptiven Frequenzfilterung die Detektionsleistung gegenüber bestehenden Methoden signifikant verbessert.
Das Paper stellt AtlasPatch vor, ein skalierbares, quelloffenes Framework, das durch die Kombination eines auf Segment-Anything (SAM) basierenden Gewebedetektors mit einer hocheffizienten Patch-Extraktion die Vorverarbeitung von Ganzgewebeschnitten in der computergestützten Pathologie um das 16-fache beschleunigt, ohne die nachgelagerte Modellleistung zu beeinträchtigen.
Die Arbeit stellt Di3PO vor, eine neue Methode zur effizienten Präferenzanpassung von Text-zu-Bild-Diffusionsmodellen, die durch die Isolierung spezifischer Bildbereiche für gezielte Verbesserungen – wie etwa beim Textrendering – die Trainingskosten senkt und die Leistung gegenüber bestehenden SFT- und DPO-Ansätzen steigert.
Das Paper stellt „ForgeryEraser" vor, ein universelles Anti-Forensik-Framework, das durch die Ausnutzung der gemeinsamen Vision-Language-Model-Backbones von KI-Erkennern und eine neuartige multimodale Leitverlustfunktion erfolgreich Fälschungsspuren aus Bildern entfernt und so die Zuverlässigkeit moderner KI-Generationsdetektoren untergräbt.
VFace ist eine trainingsfreie, Plug-and-Play-Methode für diffusionbasiertes Video-Gesichtstauschen, die durch Frequenzspektrum-Attention-Interpolation, Target-Structure-Guidance und Flow-Guided Temporal Smoothening hohe visuelle Qualität und zeitliche Kohärenz ohne zusätzliche Feinabstimmung gewährleistet.
Die Arbeit stellt MolmoSpaces vor, ein vollständig offenes Ökosystem mit über 230.000 vielfältigen Innenräumen und annotierten Objekten, das eine skalierbare, simulatorunabhängige Benchmarking-Plattform für Roboter-Navigation und -Manipulation bietet und dabei eine starke Sim-zu-Real-Korrelation nachweist.
Die Studie stellt MTL-VQA vor, ein Multi-Task-Lernframework, das durch die Nutzung von Full-Reference-Metriken als überwachende Signale effektive perceptuelle Repräsentationen für die No-Reference-Videoqualitätsbewertung von Gaming-Videos erlernt und dabei auch mit begrenzten menschlichen Bewertungen konkurrenzfähige Ergebnisse erzielt.
Diese Arbeit stellt die Motion Prior Distillation (MPD) vor, eine effiziente Inferenzzeit-Technik, die durch die Destillation von Bewegungsresten aus dem Vorwärtspfad in den Rückwärtspfad zeitliche Diskontinuitäten bei der generativen Inbetweening mit Bild-zu-Video-Diffusionsmodellen überwindet und so kohärentere Ergebnisse liefert.
Die Arbeit stellt VisPhyWorld vor, ein ausführungsbasiertes Framework, das die physikalische Reasoning-Fähigkeit von Multimodalen Large Language Models durch die Generierung ausführbarer Simulationscodes bewertet, und führt mit VisPhyBench einen neuen Benchmark ein, der zeigt, dass zwar das semantische Verständnis stark ist, die präzise Inferenz physikalischer Parameter und die Simulation konsistenter Dynamiken jedoch weiterhin eine Herausforderung darstellen.
Die Studie stellt CT-Bench vor, ein bahnbrechendes Benchmark-Dataset mit über 20.000 annotierten Läsionen und visuellen Frage-Antwort-Paaren, das die Entwicklung und Evaluierung multimodaler KI-Modelle für die präzise Analyse von CT-Befunden ermöglicht und deren klinischen Nutzen durch Fine-Tuning nachweist.