8829 Arbeiten
Das Rotterdam-Arterien-Venen-Segmentierungs- (RAV-) Dataset bietet eine vielfältige Sammlung von Farbfundusbildern mit hochwertigen, durch Konnektivitätsprüfung validierten Segmentierungsmasken, um die Entwicklung robuster maschineller Lernmodelle für die retinale Gefäßanalyse unter realen Bedingungen zu unterstützen.
Diese Studie stellt ein skalierbares Framework zur robusten Früherkennung von Pankreastumoren in multimodalen CT-Bildern vor, das durch die Kombination von MAGRes-UNet, DenseNet-121, einem hybriden ViT-EfficientNet-B3-Klassifikator und metaheuristischen Optimierungsverfahren eine Genauigkeit von 96,23 % erreicht.
Die Arbeit stellt GEPC vor, eine training-freie Methode zur Erkennung von Out-of-Distribution-Daten in Diffusionsmodellen, die die Inkonsistenz der gelernten Score-Felder unter Gruppen-Transformationen nutzt, um eine robuste und interpretierbare Anomalieerkennung zu ermöglichen.
Diese Arbeit stellt einen end-to-end Reinforcement-Learning-Ansatz vor, der mittels relightable 3D Gaussian Splatting in einer realitätsnahen Simulation trainiert wird, um Drohnen eine robuste, zero-shot Navigation in unstrukturierten Wäldern unter stark variierenden Lichtbedingungen zu ermöglichen.
Die Studie stellt MammoColor vor, ein Framework mit einem aufgabenorientierten chromatischen Kodierungsmodul, das die Lesegenauigkeit von Radiologen bei der Brustkrebsfrüherkennung, insbesondere bei dichtem Brustgewebe, durch visuelle Hervorhebung relevanter Merkmale verbessert und gleichzeitig die Anzahl der falsch-positiven Befunde reduziert.
Diese Arbeit untersucht die Integration von Vision-Language-Modellen in autonome Fahrsysteme und zeigt, dass diese zwar vielversprechend für die semantische Risikobewertung und die Formulierung von Verhaltensbeschränkungen sind, ihre erfolgreiche Anwendung jedoch eine sorgfältige, aufgabenspezifische Systemgestaltung erfordert, anstatt einfache Merkmalseinfügung.
ToaSt ist ein entkoppelter Framework, der durch eine gekoppelte headweise strukturierte Pruning für Multi-Head-Self-Attention und eine Token-Kanal-Auswahl für Feed-Forward-Netze die Effizienz von Vision-Transformern signifikant steigert, ohne dabei die Genauigkeit zu beeinträchtigen.
Der Artikel stellt ReasonNavi vor, ein menscheninspiriertes Framework für die zero-shot Navigation, das Multimodal Large Language Models mit deterministischen Planern koppelt, um globale Karten zu nutzen und so effiziente, trainingsfreie Pfadplanung zu ermöglichen.
Die Studie stellt mit FlipSet einen diagnostischen Benchmark vor, der zeigt, dass Vision-Language-Modelle trotz isolierter Fähigkeiten bei mentaler Rotation und Theory of Mind systematisch an einer egozentrischen Verzerrung leiden, wenn sie soziale Perspektiven mit räumlichen Transformationen kombinieren müssen.
Das Paper stellt „Lightning" vor, ein geschlossenes Regelungsframework für die robotische Wahrnehmung, das durch die Kombination von physikalisch konsistenter Relighting-Synthese, offline-Optimierung und Imitationslernen eine adaptive Beleuchtungssteuerung ermöglicht, die die Robustheit von visuellem SLAM unter schwierigen Lichtverhältnissen verbessert und gleichzeitig den Energieverbrauch optimiert.
Die Arbeit stellt einen neuartigen Deepfake-Erkennungsansatz namens MSBA-CLIP vor, der durch die Kombination von multivariater weicher Bildmischung und CLIP-gesteuerter Intensitätsschätzung die Generalisierungsfähigkeit und Genauigkeit bestehender Methoden überwindet.
Diese Arbeit bietet die erste umfassende Übersicht über Deep-Learning-Methoden zur LiDAR-Super-Resolution im autonomen Fahren, indem sie bestehende Ansätze kategorisiert, grundlegende Konzepte definiert und aktuelle Trends sowie zukünftige Herausforderungen für den praktischen Einsatz analysiert.
Diese Übersichtsarbeit beleuchtet den aktuellen Stand, die Herausforderungen und zukünftigen Richtungen von Foundation-Modellen in der medizinischen Bildgebung und bietet einen fundierten Fahrplan für deren verantwortungsvolle klinische Anwendung.
Das Paper stellt MaS-VQA vor, ein Framework für wissensbasiertes visuelles Fragenbeantworten, das durch einen „Mask-and-Select"-Mechanismus irrelevante Bildbereiche und schwache Wissensfragmente filtert, um explizites und implizites Wissen effektiv zu kombinieren und so die Antwortgenauigkeit zu steigern.
Die Arbeit stellt ROIX-Comp vor, ein Framework zur intelligenten Komprimierung von Röntgen-CT-Daten durch ROI-basierte Extraktion und fehlerbegrenzte Quantisierung, das die Datenmenge erheblich reduziert und die Kompressionsrate im Vergleich zu Standardverfahren um das 12,34-fache verbessert.
Die Autoren stellen mit EarthSpatialBench einen umfassenden Benchmark vor, der über 325.000 Frage-Antwort-Paare enthält, um die räumlichen Schlussfolgerungsfähigkeiten multimodaler Sprachmodelle bei der Analyse von Erdbeobachtungsdaten hinsichtlich quantitativer Distanzen, Richtungen, topologischer Beziehungen und komplexer Geometrien zu evaluieren.
Das Paper stellt DreamZero vor, ein World Action Model auf Basis eines Video-Diffusions-Backbones, das als Zero-Shot-Policy durch das gemeinsame Lernen von Video und Aktionen eine überlegene Generalisierungsfähigkeit auf neue Aufgaben und Umgebungen sowie eine effiziente Echtzeit-Steuerung und Embodiment-Transferfähigkeit im Vergleich zu herkömmlichen Vision-Language-Action-Modellen erreicht.
Diese Arbeit untersucht den Einsatz von Deep-Learning-Algorithmen zur Echtzeit-Objekterkennung, stellt verschiedene Modelle und Datensätze vor, vergleicht deren Leistung in kontrollierten Studien und diskutiert Anwendungsbereiche sowie zukünftige Herausforderungen.
Diese Arbeit stellt einen neuen, schleichenden „Visual Memory Injection"-Angriff vor, der es ermöglicht, manipulierte Bilder so zu gestalten, dass große multimodale Sprachmodelle in langanhaltenden Dialogen bei spezifischen Auslösern unerwünschte Botschaften ausgeben, wodurch die Sicherheitslücken aktueller Modelle in Multi-Turn-Szenarien aufgezeigt werden.
Die Arbeit stellt DocSplit vor, den ersten umfassenden Benchmark-Datensatz mit neuen Evaluierungsmetriken, um die Fähigkeit von multimodalen Large Language Models zu testen, heterogene Dokumentenpakete in einzelne Einheiten zu zerlegen, was für zahlreiche branchenspezifische Anwendungen entscheidend ist.