8813 Arbeiten
Die Arbeit stellt Local-EndoGS vor, ein neuartiges Framework zur qualitativ hochwertigen 4D-Rekonstruktion deformierbarer chirurgischer Szenen aus monokularen Endoskopie-Videos mit beliebigen Kamerabewegungen, das durch eine progressive, fensterbasierte Darstellung und eine robuste, von grob zu fein optimierte Initialisierung bestehende Limitierungen aktueller Methoden überwindet.
Die Arbeit stellt QuPAINT vor, einen physikbewussten multimodalen Rahmen, der synthetische Daten, ein großes Instruktion-Dataset und einen physikinformierten Aufmerksamkeitsmechanismus kombiniert, um die robuste Erkennung und Charakterisierung von Quantenmaterialien in optischen Mikroskopiebildern zu ermöglichen.
Die vorgestellte Arbeit präsentiert eine für die chirurgische Augmented-Reality-Visualisierung optimierte 3D-zu-2D-Leberregistrierung, die einen auf Foundation Pose basierenden Ansatz mit nicht-rigider ICP-Deformation kombiniert, um die Genauigkeit bei laparoskopischen Eingriffen zu erhöhen und dabei komplexe Finite-Elemente-Modelle durch eine leichtere, ingenieurfreundliche Alternative zu ersetzen.
Das Paper stellt LATA vor, eine rechenleichte, trainingsfreie Methode zur Laplace-gestützten transduktiven Anpassung, die durch Glättung von Null-Shot-Wahrscheinlichkeiten auf einem Bild-Bild-Graphen und die Einführung eines fehlbewussten konformen Scores die Effizienz und Klassenbalance von Vorhersagemengen medizinischer Vision-Language-Modelle unter Beibehaltung der konformen Abdeckungsgarantien verbessert.
Diese Arbeit stellt einen neuartigen Ansatz zur 3D-SAR-Bildgebung vor, der neuronale implizite Darstellungen nutzt, um aus spärlichen und verrauschten Daten glatte Oberflächen zu rekonstruieren und so Artefakte zu reduzieren sowie komplexe Szenen präziser abzubilden.
Das Paper stellt RetouchIQ vor, ein Framework, das Multimodal Large Language Model (MLLM)-Agenten mithilfe eines generalistischen Belohnungsmodells nutzt, um instruktionsbasierte Bildretuschen mit hoher semantischer Konsistenz und visueller Qualität durchzuführen und dabei die Herausforderung subjektiver kreativer Bewertungen zu überwinden.
Die Arbeit stellt FR-GESTURE vor, den ersten RGBD-Datensatz mit 3312 Aufnahmen, der speziell für die gestenbasierte Steuerung von unbemannten Bodenfahrzeugen durch Ersthelfer entwickelt wurde, um deren Einsatz in Katastrophensituationen durch KI-gestützte Robotik zu erleichtern.
Die Arbeit stellt ArtToMus vor, ein Framework zur direkten Generierung von Musik aus Kunstwerken ohne textuelle Vermittlung, das auf einem neu erstellten, groß angelegten Datensatz von Kunst-Musik-Paaren basiert und damit eine neue Richtung für die multimodale KI-Kreativität eröffnet.
Die Autoren stellen einen einheitlichen Rahmen für die geospatiale Entdeckung vor, der aktives Lernen, Online-Meta-Lernen und konzeptgestütztes Schließen integriert, um durch die Nutzung von Konzept-Relevanz für die Probenahme und die Batch-Bildung versteckte Ziele in dynamischen Umgebungen mit begrenzten Daten effizient zu identifizieren.
Die Arbeit stellt CORAL vor, ein auf Diffusion Transformern basierendes Framework für das virtuelle Anprobieren, das durch eine explizite Ausrichtung der Query-Key-Matches mit robusten Korrespondenzen und spezielle Verlustfunktionen die Erhaltung von Kleidungsdetails und die globale Formübertragung verbessert.
IntRec ist ein interaktives Framework zur Objektrückgewinnung, das durch einen Intent State mit dualen Gedächtnismengen und kontrastiver Ausrichtung mehrdeutige Suchanfragen in komplexen Szenen durch Benutzerfeedback präzise verfeinert und dabei signifikante Genauigkeitssteigerungen bei minimaler Latenz erzielt.
Die Arbeit stellt M-Attack-V2 vor, eine modulare Weiterentwicklung des M-Attack-Verfahrens, die durch feinabgestimmte Techniken zur Gradientenrauschreduktion und semantischen Zielanpassung die Effektivität black-box adversarialer Angriffe auf führende Large Vision-Language Models (LVLMs) signifikant steigert.
Die Arbeit stellt mit LIBERO-CF das erste Benchmark zur Evaluierung von Gegenfaktorialitätsfehlern in Vision-Language-Action-Modellen vor und schlägt Counterfactual Action Guidance (CAG) vor, eine trainingsfreie, dual-branch Inferenzmethode, die die Sprachabhängigkeit dieser Modelle stärkt und deren Zuverlässigkeit sowohl in Simulationen als auch in der realen Welt signifikant verbessert.
Die Arbeit stellt das Positional Recovery Training (Port) vor, ein neuartiges Framework, das durch die Eingabe von Start- und Endzeiten sowie eine Dual-Ausrichtung die Herausforderungen der temporalen Verankerung bei spärlichen Tierverhaltensdaten überwindet und auf dem Animal-Kingdom-Datensatz sowie im ICME-2024-Wettbewerb herausragende Ergebnisse erzielt.
Die Arbeit stellt SkimLFSR vor, einen effizienten Transformer-basierten Ansatz für die Super-Auflösung von Lichtfeldbildern, der durch die selektive Verarbeitung von Sub-Apertur-Bildern in disparitäts-spezifischen Zweigen die Datenredundanz reduziert und dabei mit weniger Parametern als bestehende Methoden neuartige Ergebnisse erzielt.
Die Arbeit stellt Ctrl-GenAug vor, ein generatives Augmentierungsframework, das durch multimodale Steuerung, sequenzielle Kohärenz und einen Rauschfilter hochwertige, semantisch präzise medizinische Sequenzdaten synthetisiert, um die Klassifikationsleistung insbesondere bei unterrepräsentierten Populationen und Domänenübergängen zu verbessern.
Die Arbeit stellt Fused-Planes vor, eine ressourceneffiziente Erweiterung von Tri-Planes, die durch das Teilen globaler Basis-Ebenen und die Nutzung eines latenten Raums strukturelle Ähnlichkeiten zwischen Objekten nutzt, um den Trainingsaufwand und den Speicherbedarf drastisch zu senken, ohne die Renderqualität zu beeinträchtigen.
Das Paper stellt VeGaS vor, ein neues Video-Gaussian-Splatting-Modell, das mithilfe einer Familie gefalteter Gauß-Verteilungen nichtlineare Dynamiken erfasst und damit sowohl eine überlegene Bildwiederherstellung als auch realistische Videobearbeitung im Vergleich zu bestehenden Methoden ermöglicht.
Die Arbeit stellt MC-LLaVA vor, ein personalisiertes Vision-Language-Modell, das durch eine Multi-Konzept-Instruction-Tuning-Strategie, spezielle textuelle und visuelle Prompts sowie einen neuen Datensatz erstmals mehrere Konzepte gleichzeitig effektiv integriert und damit die Anwendbarkeit von VLMs in realen Szenarien erweitert.
Diese Übersichtsarbeit synthetisiert Konzepte der bayesschen Unsicherheitsquantifizierung für die tiefe probabilistische Bildsegmentierung, indem sie ein einheitliches Rahmenwerk etabliert, kritische Herausforderungen analysiert und praktische Leitlinien für die Entwicklung robusterer und zuverlässigerer Modelle bereitstellt.