8942 Arbeiten
Diese Arbeit stellt einen neuartigen Rahmen vor, der mithilfe von CLIP-gesteuerten Diffusions-Transformern und Large Language Models Bilder in biologisch plausible M/EEG-Signale umwandelt, um die bisher vernachlässigte Kodierungsphase visueller Prothesen zu vervollständigen.
Das Paper stellt BEVTraj vor, ein kartengestütztes, end-to-end Framework für die Trajektorienvorhersage im autonomen Fahren, das mittels deformierbarer Aufmerksamkeit und sparsamer Zielvorschläge präzise Vorhersagen direkt aus Rohdaten im Bird's-Eye-View ermöglicht, ohne auf teure HD-Karten angewiesen zu sein.
Die Autoren stellen ein neuartiges Curriculum Multi-Task Self-Supervised Learning (CMTSSL)-Framework vor, das durch die Kombination von Masked Image Modeling und entkoppelten räumlich-spektralen Jigsaw-Puzzles leichtgewichtige Architekturen für die onboard-Hyperspektralbildsegmentierung von Satelliten erheblich verbessert und dabei eine über 16.000-fache Gewichtsreduktion im Vergleich zu State-of-the-Art-Modellen ermöglicht.
Das Paper stellt Pyramid Token Pruning (PTP) vor, eine trainingsfreie Strategie, die durch die hierarchische Kombination von visuellen Saliency-Merkmalen und instruktionsgesteuerter Relevanz die Rechenkosten und Latenz bei hochauflösenden Large Vision-Language Models drastisch reduziert, ohne die Leistung signifikant zu beeinträchtigen.
Die Arbeit stellt DiffusionNFT vor, ein effizientes Online-Reinforcement-Learning-Verfahren für Diffusionsmodelle, das den Trainingsprozess durch Optimierung des Vorwärtsprozesses mittels Flow Matching vereinfacht, keine Likelihood-Schätzung benötigt und dabei eine bis zu 25-fach höhere Effizienz sowie überlegene Leistung im Vergleich zu bestehenden Methoden wie FlowGRPO erzielt.
Die Arbeit stellt DeLiVR vor, eine effiziente Methode zur Videorentfernung von Regen, die durch die Integration von differenziellen Lie-Gruppen-Bias-Termen in die Aufmerksamkeitsmechanismen eine geometrisch konsistente und robuste räumlich-zeitliche Ausrichtung erreicht, um Regenstreifen, Unschärfe und Rauschen zu beseitigen.
Die Arbeit stellt LAKAN vor, eine landmarkengestützte, adaptive Kolmogorov-Arnold-Netzwerk-Architektur, die durch den Einsatz lernbarer Spline-Aktivierungsfunktionen und geometrischer Priors eine überlegene Leistung bei der Erkennung von Deepfake-Gesichtsfälschungen erzielt.
Diese Arbeit stellt zwei effiziente Test-Time-Scaling-Strategien für kleine Vision-Language-Modelle vor, die durch augmentierungsbasierte Token-Aggregation und konsensbasierte Parameteranpassung während der Inferenz die Leistung steigern, ohne die Ressourceneffizienz zu beeinträchtigen.
Das Paper stellt UGround vor, ein einheitliches Paradigma für visuelles Grounding, das durch eine Reinforcement-Learning-gesteuerte, stochastische Auswahl von Zwischenschichten in unrollierten Transformern und die Nutzung von Masken als explizite räumliche Prompts die Fehlerakkumulation herkömmlicher Ansätze überwindet und eine Vielzahl von Aufgaben von der Referenzsegmentierung bis hin zur Reasoning-Segmentierung in einem einzigen Framework vereint.
Die Arbeit stellt PAGCNet vor, ein Framework zur panoramischen Tiefenschätzung, das durch die gemeinsame Schätzung von Kamerapose und Raumaufbau geometrische Randbedingungen für regelmäßige Innenräume nutzt, um die Tiefenrekonstruktion in komplexen Szenen ohne externe Messungen signifikant zu verbessern.
Die Studie zeigt, dass abstrakte Tags bei begrenztem Budget für die Klassifizierung von Bildprivatsphäre effektiver sind als Objekttags, während bei einer größeren Anzahl von Tags objektspezifische Informationen ebenso nützlich werden.
Diese Arbeit stellt rCM vor, einen score-regulierten kontinuierlichen Konsistenzansatz, der durch einen parallelisierbaren JVP-Kernel und eine Regularisierung die Skalierung von Diffusionsmodellen auf große Bild- und Videomodelle ermöglicht, dabei die Qualität verbessert und die Generierung um den Faktor 15 bis 50 beschleunigt.
Die Arbeit stellt AnyUp vor, eine effiziente und trainingsfreie Methode zur universellen Upsampling von Vision-Features beliebiger Auflösung, die im Gegensatz zu bestehenden Ansätzen ohne anwendungsspezifisches Training auskommt und dabei die Semantik der Merkmale erhält.
Dieses Paper stellt SDeC vor, eine effiziente, trainingsfreie Methode, die durch die Unterdrückung latenter Szenen-Kontext-Korrelationen in Prompt-Embeddings eine konsistente Text-zu-Bild-Generierung mit identitätserhaltenden Subjekten über diverse Szenen hinweg ermöglicht, ohne dass alle Ziel-Szenen im Voraus bekannt sein müssen.
Die vorgestellte Arbeit stellt PC-UNet vor, ein auf U-Net basierendes Modell mit einem neuartigen Poisson-Varianz- und Mittelwert-Konsistenzverlust, das physikalische Daten integriert, um die Bildqualität bei der Rauschunterdrückung in der Positronen-Emissions-Tomographie (PET) bei niedrigen Strahlendosen zu verbessern.
Die Arbeit stellt PRISMM-Bench vor, den ersten Benchmark, der auf von Gutachtern identifizierten Inkonsistenzen in wissenschaftlichen Publikationen basiert und zeigt, dass aktuelle Large Multimodal Models bei der Erkennung und Behebung multimodaler Widersprüche in wissenschaftlichen Texten erhebliche Schwierigkeiten haben.
Die Studie führt das Phänomen der „Modal-Aphasie" ein, bei dem einheitliche multimodale Modelle visuelle Konzepte zwar perfekt memorieren und generieren, aber scheitern, diese korrekt in Textform zu beschreiben, was Sicherheitslücken in KI-Systemen aufzeigt.
Die Arbeit stellt Top-Down Semantic Refinement (TDSR) vor, einen effizienten, auf Monte-Carlo-Baumsuche basierenden Rahmen, der die Bildbeschreibung durch hierarchische, zielgerichtete Verfeinerung optimiert und so die Kohärenz und Detailgenauigkeit bestehender Vision-Language-Modelle erheblich verbessert, ohne deren Rechenkosten signifikant zu erhöhen.
Diese Arbeit stellt ein generalisiertes Framework vor, das durch die Einführung zusätzlicher Schichten in neuronale Netze eine einheitliche formale Verifikation von sowohl Robustheit als auch Konfidenz ermöglicht und dabei bestehende ad-hoc-Ansätze signifikant übertrifft.
Diese Studie zeigt, dass KI-Modelle, die auf normalen Röntgenbildern des Thorax trainiert wurden, die Art der Krankenversicherung – und damit sozioökonomische Ungleichheiten – mit signifikanter Genauigkeit vorhersagen können, was darauf hindeutet, dass medizinische Bilddaten keine neutralen biologischen Informationen sind, sondern subtile soziale Signaturen enthalten.