1896 Arbeiten
Das Paper stellt AdaGen vor, ein lernbares und prozessadapatives Framework, das die iterative Bildsynthese über verschiedene Generierungsparadigmen hinweg durch eine auf Verstärkungslernen und adversariellen Belohnungen basierende Policy-Steuerung optimiert, um manuelle Parameteranpassungen zu eliminieren und gleichzeitig die Bildqualität bei reduzierten Inferenzkosten zu steigern.
Das Paper stellt TrajPred vor, ein Framework für Vision-Sprach-Modelle, das durch die Kodierung von Instrumentenbahnen und eine trajectorie-konditionierte Vorhersage semantischer visueller Embeddings die Erkennung von Instrument-Gewebe-Interaktionen in der robotischen Chirurgie verbessert.
Der Artikel stellt OV-DEIM vor, ein Echtzeit-Open-Vocabulary-Objektdetektionsmodell auf Basis von DEIMv2, das durch eine effiziente Query-Supplement-Strategie und die neuartige GridSynthetic-Datenaugmentierung sowohl die Genauigkeit als auch die Leistung bei seltenen Kategorien verbessert.
Die Arbeit stellt TFM vor, einen neuen Jailbreak-Angriff auf Text-zu-Video-Modelle, der unsichere Anfragen in eine zeitlich fragmentierte Zwei-Rahmen-Struktur umwandelt, um durch die Ausnutzung der autonomen Vorhersage von Zwischenbildern Sicherheitsfilter zu umgehen und die Angriffserfolgsrate signifikant zu steigern.
Die vorgestellte Arbeit entwickelt eine neuartige Methode zur feinkörnigen 3D-Gesichtswiederherstellung von Mikroexpressionen, die durch die Integration globaler dynamischer Merkmale und lokal angereicherter Hinweise aus 2D-Bewegungen, Gesichtspriors und 3D-Geometrie die bisherige Lücke bei der Rekonstruktion subtiler, flüchtiger Gesichtsausdrücke schließt und dabei den Mangel an Trainingsdaten durch die Nutzung von Makroexpressionen-Kenntnissen überwindet.
Die Arbeit stellt CAPL vor, ein Framework zur Reduzierung von Halluzinationen in Large Vision-Language Models bei Multi-Image-Aufgaben, das durch eine kalibrierte Cross-Image-Attention und eine präferenzbasierte Lernstrategie die modellübergreifende Interaktion verbessert und die Modellierung auf echte visuelle Evidenz statt auf textuelle Priors ausrichtet.
Die Arbeit stellt SODA vor, eine Sensitivitätsorientierte, dynamische Beschleunigungsmethode für Diffusion-Transformer, die durch adaptive Caching- und Pruning-Strategien auf Basis feinkörniger Sensitivitätsmodelle eine überlegene Generierungsqualität bei kontrollierten Beschleunigungsverhältnissen erreicht.
Das Paper stellt MedSteer vor, ein training-freies Framework zur Erzeugung kausaler, kontrastiver endoskopischer Bildpaare durch Aktivitätssteuerung in Diffusionsmodellen, das im Vergleich zu bestehenden Methoden eine überlegene strukturelle Konsistenz und Wirksamkeit für die Datenvermehrung in der medizinischen Bildanalyse demonstriert.
Die Studie stellt VirtueBench vor, einen neuen Benchmark, der die Zuverlässigkeit von Vision-Language-Modellen bei der Analyse langer Videos bewertet, indem sie deren Fähigkeit misst, unter Unsicherheit ehrlich zu verweigern, anstatt raten, um so irreführende Evaluierungsergebnisse zu vermeiden.
Die vorgestellte Methode PhyVLM-CR integriert semantisches Wissen aus Vision-Language-Modellen in physikalische Restaurierungsmodelle, um eine einheitliche und hochpräzise Entfernung sowohl dünner als auch dicker Wolken aus optischen Fernerkundungsdaten zu ermöglichen, ohne dass eine explizite Trennung der Wolkenarten erforderlich ist.
Die Studie stellt PSG-UIENet vor, ein neuartiges Unterwasser-Bildverbesserungsnetzwerk, das physikalische Retinex-Prinzipien mit semantischen Textführungen durch CLIP kombiniert und dabei einen neuen multimodalen Datensatz sowie eine spezielle Verlustfunktion einführt, um die Generalisierungsfähigkeit und semantische Konsistenz zu verbessern.
Die vorgestellte Arbeit verbessert die visuelle Dekodierung aus EEG-Signalen durch die Einführung des Konzepts der „Neural Visibility" und einer hierarchischen Fusionsstrategie, die eine bessere Abstimmung zwischen Gehirnaktivität und visuellen Merkmalen ermöglicht und damit neue State-of-the-Art-Ergebnisse auf dem THINGS-EEG-Datensatz erzielt.
Die Arbeit stellt mAVE vor, ein neuartiges Wasserzeichen-Verfahren für gemeinsame Audio-Visual-Generierungsmodelle, das durch kryptografische Verschränkung der latenten Räume von Audio und Video eine robuste Abwehr gegen Swap-Angriffe gewährleistet und dabei die Modellleistung vollständig erhält.
Die Autoren stellen eine Methode vor, die durch die Kombination von überwachtem Fine-Tuning eines Vision-Language-Action-Modells und einer menschlichen Feedback-Reinforcement-Learning-Strategie natürliche, kontextangepasste Gesichtsausdrücke für dyadische Interaktionen erzeugt, die menschlichen Präferenzen entsprechen.
Der Artikel stellt NuNext vor, eine neue Methode, die die Nukleusdetektion in der Histopathologie durch Umformulierung als Next-Point-Detektion mittels eines multimodalen Large Language Models mit zweistufigem Training (überwachtes Lernen mit räumlich bewusster weicher Supervision und Verstärkungslernen) löst und dabei bestehende Probleme wie komplexe Nachverarbeitung und Klassenungleichgewicht überwindet.
Die Arbeit stellt S-PCL vor, ein effizientes selbstüberwachtes Lernframework für die Darstellung von Röntgenbildern der Brust, das durch semantisch partitionierte Kontrastive Lernverfahren ohne aufwendige Datenaugmentierung oder Decoder eine überlegene Genauigkeit bei geringerer Rechenkomplexität erreicht.
Die Arbeit stellt TIQA vor, ein neues Bewertungssystem für die Textqualität in generierten Bildern, das durch die Einführung von MOS-markierten Datensätzen und der leichten Methode ANTIQA eine deutlich bessere Übereinstimmung mit menschlichen Urteilen erreicht als bestehende OCR- oder VLM-basierte Ansätze und sich als wertvoll für das Filtern und Neu-Ranking von Bildgenerierungen erweist.
Dieses Paper stellt Inter-Image Pixel Shuffling (IPS) vor, eine neuartige Methode, die Multi-Fokus-Bildfusion ohne reale Trainingsdaten ermöglicht, indem sie das Problem als Pixelklassifikation umformuliert und ein hybrides Netzwerk aus CNNs und State-Space-Modellen nutzt, um qualitativ hochwertige, scharfe Bilder zu erzeugen.
Die Arbeit stellt EyExIn vor, ein dateneffizientes Framework, das durch eine Deep Expert Injection-Mechanik und eine Expert-Aware Dual-Stream-Architektur die Lücken in der visuellen Wahrnehmung und dem logischen Schlussfolgern von großen multimodalen Modellen schließt, um durch die Verankerung von spezialisiertem ophthalmologischem Expertenwissen eine präzise und vertrauenswürdige Diagnose von Netzhauterkrankungen zu ermöglichen.
Das Paper stellt AutoSelect vor, eine Methode zur automatischen Auswahl visueller Tokens in Vision-Language-Modellen durch ein Rausch-Gating-Verfahren, die ohne zusätzliche Verlustfunktionen auskommt und bei minimaler Latenz die Inferenzgeschwindigkeit signifikant steigert, ohne die Genauigkeit zu beeinträchtigen.