3317 Arbeiten
Diese Arbeit führt das Konzept der „Whole Slide Difficulty" (WSD) ein, das auf der Meinungsverschiedenheit zwischen Experten und Nicht-Experten basiert, und zeigt, dass die Integration dieser Schwierigkeitsmetrik in Multi-Instance-Learning-Modelle die Genauigkeit der Prostatakrebs-Grading insbesondere bei höheren Gleason-Graden verbessert.
Die Arbeit stellt C2FMAE vor, einen hierarchischen Masked Autoencoder, der durch einen kaskadierten Decoder und einen progressiven Maskierungs-Lehrplan semantische, instanzbasierte und pixelgenaue Repräsentationen vereint, um die inhärenten Spannungen zwischen kontrastivem Lernen und Masked Image Modeling aufzulösen und so robustere visuelle Darstellungen zu erlernen.
Das Paper stellt BEACON vor, ein System zur Vorhersage von Navigationsaffordanzen in einer vogelperspektivischen Wärmebildkarte, das durch die Kombination von Sprachanweisungen mit RGB-D-Observationen und einem visuell-sprachlichen Modell in der Lage ist, auch verdeckte Zielorte zu erkennen und so die Genauigkeit im Vergleich zu bildbasierten Methoden signifikant zu steigern.
ReCoSplat ist ein autoregressives Feed-Forward-Modell für das Gaussian Splatting, das durch einen Render-and-Compare-Mechanismus und eine hybride KV-Cache-Komprimierung robuste Online-Neuansichtssynthese aus sequenziellen, oft ungeordneten Beobachtungen ermöglicht und dabei State-of-the-Art-Ergebnisse erzielt.
Die Studie zeigt, dass in realistischen Szenarien mit korrelierten Merkmalen Interferenz konstruktiv genutzt werden kann, um semantische Cluster und zyklische Strukturen zu bilden, was die traditionelle Sichtweise der Superposition als rein störendes Rauschen erweitert.
Die vorgestellte Arbeit führt mit „differentieller Mikroskopie" einen datengesteuerten Top-Down-Designansatz ein, der durch ein experimentell validiertes, gelerntes optisches System zur Phasenretrieval die Leistungsfähigkeit traditioneller Methoden in der Mikroskopie nachweislich übertrifft.
Die vorgestellte Arbeit schlägt einen mutual-conditional-Ansatz für die Blended-Target-Domain-Adaptation vor, der durch einen unsicherheitsgesteuerten Kategoriediskriminator und die Erweiterung von Low-Level-Features eine gegenseitige Ausrichtung der Verteilungen und erreicht, um die Leistung bei Label-Verteilungsverschiebungen ohne explizite Domänenlabels zu verbessern.
Die Arbeit stellt altiro3D vor, eine freie Bibliothek, die aus einem einzelnen RGB-Bild oder Video mittels Monokularer Tiefenschätzung, Inpainting und effizienter Projektionsalgorithmen realistische 3D-Erlebnisse und Lichtfelddaten für Freisicht-Displays erzeugt.
Die Autoren stellen mit PD-REAL einen neuen, kostengünstigen 3D-Datensatz für die unüberwachte Anomalieerkennung vor und führen ein Multi-Scale-Distillation-Framework ein, das durch die Nutzung von RGB-D-Daten und hierarchischer Wissensweitergabe eine höhere Detektionsgenauigkeit erreicht.
Die vorgestellte Arbeit schlägt eine kamera-bewusste Jaccard-Distanz (CA-Jaccard) vor, die durch die Einführung von kamera-bewussten k-reziproken nächsten Nachbarn und einer kamera-bewussten lokalen Query-Erweiterung die Zuverlässigkeit der Jaccard-Distanz bei der Personenneuidentifikation trotz signifikanter Kameravariationen verbessert.
Die Arbeit stellt DivCon vor, eine Divide-and-Conquer-Methode, die Text-zu-Bild-Generierung durch die Entkopplung von Layout-Vorhersage und schrittweiser Bildsynthese verbessert, um auch mit leichten Sprachmodellen präzise numerische und räumliche Beziehungen bei komplexen Szenen mit mehreren Objekten zu erreichen.
Diese Arbeit bietet einen umfassenden Überblick und Benchmark über den aktuellen Stand der Deepfake-Technologie, indem sie sowohl Generationsmethoden (wie Face Swapping und Talking Face) als auch Detektionstechniken analysiert, standardisierte Datensätze und Metriken einführt sowie Herausforderungen und zukünftige Forschungsrichtungen aufzeigt.
Dieses Paper stellt drei neue, hochwertige Testdatensätze vor (Hadrian, Eclipse und ND-Twins), die ohne künstliche Bildverschlechterung die Schwierigkeit der Gesichtserkennung durch natürliche Variationen wie Bartwuchs, Belichtung und Ähnlichkeit bei Zwillingen erhöhen, um Schwächen bestehender Algorithmen aufzudecken.
Diese Arbeit identifiziert und analysiert eine unerwartete „Korruptionsphase" während des Few-Shot-Fine-Tunings von Diffusionsmodellen, die durch eine verengte Lernverteilung verursacht wird, und schlägt vor, Bayesianische Neuronale Netze zur impliziten Verbreiterung dieser Verteilung einzusetzen, um die Bildqualität und Vielfalt zu verbessern, ohne zusätzliche Inferenzkosten zu verursachen.
Die Arbeit stellt RDM vor, ein rekurrentes Diffusionsmodell, das mithilfe von Normalizing Flows effizient lange, textgetreue menschliche Bewegungssequenzen generiert, indem es den rechenintensiven vollständigen Denoising-Prozess früherer Autoregressiver Ansätze umgeht.
Die Arbeit stellt PiVOT vor, einen neuen Visual-Prompting-Mechanismus für das generische Objekttracking, der einen vortrainierten Fundamentmodell (CLIP) nutzt, um Online-Visual-Prompts automatisch zu generieren und zu verfeinern, wodurch der Tracker durch kontrastive Führung Störobjekte effektiv unterdrücken und die Verfolgungsleistung verbessern kann.
Die Arbeit stellt den Pose Prior Learner (PPL) vor, eine selbstüberwachte Methode, die ohne menschliche Annotationen allgemeine Pose-Priors für Objektkategorien lernt und so die Genauigkeit der Pose-Schätzung, insbesondere bei verdeckten Bildern, durch den Einsatz einer hierarchischen Speicherstruktur und iterativer Inferenz verbessert.
Die Arbeit stellt ExpGest vor, ein neuartiges Diffusionsmodell, das durch die Synchronisation von Audio- und Textinformationen sowie einen speziellen Emotionsklassifikator erstmals ausdrucksstarke, kontrollierbare Ganzkörpergesten erzeugt und damit die Starrheit bestehender Upper-Body-Methoden überwindet.
Diese Studie stellt ein neurosymbolisches System vor, das durch die Rekonstruktion von Bildern mittels visueller Primitiven strukturelle Darstellungen lernt und sich in der histologischen Bildanalyse sowohl durch höhere Klassifizierungsgenauigkeit als auch durch größere Transparenz gegenüber herkömmlichen Deep-Learning-Architekturen auszeichnet.
Diese Arbeit stellt einen Ansatz vor, bei dem Diffusionsmodelle ihre Generierungsprozesse an die Komplexität einzelner Eingaben anpassen, indem sie unter variierenden Zeitrahmen und Rauschplänen trainiert werden, was zu einer Reduktion der erforderlichen Abtastschritte bei gleichbleibender Bildqualität führt.