8793 Arbeiten
Die vorgestellte Methode Exploration-Exploitation Distillation (E²D) überwindet den Zielkonflikt zwischen Genauigkeit und Effizienz beim Large-Scale-Dataset-Distillation durch eine zweiphasige Optimierungsstrategie, die redundante Berechnungen minimiert und auf den ImageNet-Benchmarks sowohl deutlich schnellere als auch genauere Ergebnisse als der aktuelle Stand der Technik liefert.
Diese Arbeit stellt einen vollautomatischen, maschinellen Lern-basierten Ansatz zur Rauschreduktion, Segmentierung und Klassifizierung von Koronargefäßen in intrakoronaren OCT-Bildern vor, der eine außergewöhnlich hohe Genauigkeit von 99,68 % bei minimaler manueller Eingabe erreicht.
Die Autoren stellen ein Verfahren vor, das auf einem neu erstellten Datensatz und einem entkoppelten latenten Raum basiert, um in der generativen nicht-photorealistischen Darstellung den Glanz unabhängig vom künstlerischen Stil präzise zu steuern.
Diese Studie stellt eine Methode vor, die auf Gauß-Splatting-basierten digitalen Zwillingen beruht, um durch eine effiziente Multi-Skalen-Rekonstruktion und die Übertragung von 2D-Schadenssegmentierungen präzise dreidimensionale Schadensvisualisierungen für die Inspektion von Bauwerken zu ermöglichen.
Die Arbeit stellt den groß angelegten, multidimensionalen VQA-Datensatz UltraVQA und das theoretisch fundierte Analytic Score Optimization (ASO)-Verfahren vor, das durch die Umformulierung der Qualitätsbewertung als regularisierter Entscheidungsprozess die Vorhersagegenauigkeit und die Ausrichtung an menschlichen Präferenzen verbessert.
Die Arbeit stellt DODO vor, das erste Vision-Language-Modell, das durch die Einführung von blockdiskreter Diffusion die sequenziellen Beschränkungen autoregressiver OCR-Modelle überwindet und dabei eine bis zu dreifach schnellere Inferenz bei nahezu state-of-the-art Genauigkeit ermöglicht.
Das Paper stellt StereoAdapter-2 vor, ein Framework für die Unterwasser-Stereotiefenschätzung, das durch den Einsatz eines neuartigen ConvSS2D-Operators auf Basis selektiver Zustandsraummodelle und eines großen synthetischen Datensatzes (UW-StereoDepth-80K) eine globale strukturelle Konsistenz und überlegene Null-Shot-Leistung bei gleichzeitig linearer Komplexität erreicht.
Die Arbeit stellt SemCovNet vor, ein neuartiges Modell, das durch die Einführung einer semantischen Abdeckungsungleichheit (SCI) als messbare Verzerrung und die Entwicklung spezifischer Mechanismen wie der Descriptor Attention Modulation sowie eines Coverage Disparity Index (CDI) eine fairere und semantisch ausgewogenere Leistung bei unterrepräsentierten visuellen Konzepten in modernen Vision-Modellen ermöglicht.
Das Paper stellt Xray-Visual vor, ein einheitliches Vision-Modell, das auf über 25 Milliarden kuratierten Bild- und Videodaten von Facebook und Instagram trainiert wurde und durch eine dreistufige Trainingspipeline sowie effiziente Architekturen neue Maßstäbe in Bezug auf Leistung, Skalierbarkeit und Robustheit bei multimodalen Aufgaben setzt.
Die Arbeit stellt HS-3D-NeRF vor, ein stationäres Multi-Channel-NeRF-Framework, das durch die Kombination von rotierenden Objekten in einer speziellen Kammer und einer zweistufigen Trainingsstrategie hochpräzise 3D-Oberflächen- und hyperspektrale Rekonstruktionen für die landwirtschaftliche Qualitätskontrolle ermöglicht.
Die vorgestellte Arbeit stellt DDiT vor, eine effiziente Testzeit-Strategie für Diffusion-Transformer, die durch dynamische Anpassung der Patch-Größe an die Inhaltskomplexität und den Denoising-Zeitpunkt die Rechenkosten erheblich senkt, ohne dabei die Bild- oder Videoqualität zu beeinträchtigen.
Die Arbeit stellt PRIMO vor, ein überwachtes Latent-Variable-Modell, das fehlende Modalitäten in multimodalen Lernszenarien durch eine latente Variable imputiert, um sowohl robuste Vorhersagen als auch eine instanzspezifische Quantifizierung des prädiktiven Einflusses fehlender Daten zu ermöglichen.
Diese Studie stellt ein patch-basiertes Framework zur räumlichen Urheberschaftszuweisung in menschlich-robotischen Kollaborationen vor, das durch eine forensische Fallstudie mit 15 abstrakten Gemälden eine hohe Genauigkeit demonstriert und mittels bedingter Shannon-Entropie hybride Schaffensbereiche quantifiziert.
PartRAG ist ein retrieval-basiertes Framework, das durch die Integration einer externen 3D-Teiledatenbank mit einem Diffusionstransformer die generierung von 3D-Objekten aus Einzelbildern mit präziser, lokaler Bearbeitung auf Teilebene kombiniert und dabei sowohl die geometrische Genauigkeit als auch die Konsistenz über mehrere Ansichten hinweg verbessert.
Die Arbeit stellt Amber-Image vor, ein effizientes Kompressionsframework, das große Diffusion-Transformer-Modelle wie Qwen-Image durch gezielte Tiefenpruning- und Hybrid-Stream-Strategien ohne Neutraining in ressourcenschonende Varianten mit 10B und 6B Parametern verwandelt, wobei die hohe Bildqualität und Textrendering-Leistung erhalten bleibt.
Die Arbeit stellt Cholec80-port vor, einen hochpräzisen Datensatz für die Segmentierung von Trokarports mit einer neu definierten, geometrisch konsistenten Maskierung des Port-Manschettenbereichs unter Ausschluss der zentralen Öffnung, der durch die Bereinigung und Vereinheitlichung bestehender öffentlicher Datensätze nach diesem Standard die Robustheit geometriebasierter chirurgischer Bildverarbeitungspipelines signifikant verbessert.
Die Arbeit zeigt, dass Vorzeichen von Gewichten in neuronalen Netzen durch zufällige Initialisierung festgelegt werden und durch eine neue „Sign Lock-In"-Theorie sowie eine angepasste Initialisierung und Regularisierung so stabilisiert werden können, dass sie für eine effiziente Sub-Bit-Kompression genutzt werden können.
Die Studie stellt ComptonUNet vor, ein hybrides Deep-Learning-Framework, das durch die Kombination von Rohdatenverarbeitung und Bildrekonstruktion die Lokalisierung schwacher Gammastrahlenausbrüche unter Bedingungen mit geringer Photonenzahl und starkem Hintergrundrauschen signifikant verbessert.
Diese Arbeit stellt einen physikbasierten Benchmark vor, der zeigt, dass zwar Rekonstruktionsartefakte die Anzahl potenzieller Greifpositionen reduzieren, die Greiferfolgsrate jedoch bei genauer Pose-Schätzung kaum beeinträchtigt wird und der Greiferfolg primär von räumlichen Positionsfehlern abhängt.
Die vorgestellte Arbeit führt ein multimodales Framework ein, das robuste Radarsensoren mit 3D-Gaussian-Splatting kombiniert, um auch unter schwierigen Sichtbedingungen wie schlechtem Wetter oder schwacher Beleuchtung hochwertige 3D-Szenen darzustellen.