91 Arbeiten
Die Studie stellt DeepSparse, das erste Foundation-Modell für die Rekonstruktion von Sparse-View-CBCT-Bildern, vor, das durch die innovative DiCE-Netzwerkarchitektur und das HyViP-Vorabtrainingsframework eine überlegene Bildqualität bei reduzierter Strahlenbelastung und verbesserter Generalisierbarkeit im Vergleich zu bestehenden Methoden erreicht.
Diese Studie stellt einen varianzgesteuerten GAN-basierten Ansatz vor, der aus kostengünstigen H&E-Färbungen hochpräzise HER2-IHC-Bilder generiert und durch die Vermeidung von Mode Collapse sowie die Verbesserung der strukturellen Vielfalt die Genauigkeit der Brustkrebsdiagnostik signifikant steigert.
Diese Studie stellt TransUNet-GradCAM vor, einen hybriden Transformer-U-Net-Ansatz mit Selbstattention und erklärbarer Visualisierung, der durch die Integration globaler Kontextinformationen und lokaler Details eine robuste und generalisierbare Segmentierung von diabetischen Fußulzera ermöglicht.
Die Studie stellt PANO vor, einen physikbewussten neuronalen Operator, der die direkte Umkehrung von Rohdaten zu 3D-Bildern in der photoakustischen Tomographie ermöglicht und dabei die Rekonstruktionsqualität sowie die Echtzeitfähigkeit im Vergleich zu herkömmlichen Methoden erheblich verbessert.
Die Studie stellt UltraUPConvNet vor, einen rechen-effizienten Multi-Task-Deep-Learning-Ansatz auf Basis von UPerNet und ConvNeXt, der gleichzeitig die Gewebesegmentierung und die Krankheitsvorhersage in Ultraschallbildern mit state-of-the-art-Leistung und geringerem Rechenaufwand ermöglicht.
CryoNet.Refine ist ein auf einem einstufigen Diffusionsmodell basierendes Deep-Learning-Framework, das die automatische und schnelle Verfeinerung von Protein- sowie DNA/RNA-Protein-Komplexen mittels Cryo-EM-Dichtekarten ermöglicht und dabei sowohl die Übereinstimmung mit den experimentellen Daten als auch die geometrische Qualität gegenüber herkömmlichen Methoden wie Phenix.real_space_refine signifikant verbessert.
Diese Studie stellt einen innovativen 3D-Bildgebungsansatz vor, der Structure-from-Motion-Techniken und mobile Endgeräte nutzt, um aus Videos von Aggregat-Deponien eine dreidimensionale Rekonstruktion zu erstellen und einzelne Körner zu segmentieren, um so deren Größe und Form für die Vor-Ort-Qualitätssicherung in der Straßenbauindustrie zu analysieren.
Die vorgestellte Studie demonstriert, dass ein Framework zur Audiovisuellen Spracherkennung für ressourcenarme Sprachen durch die Generierung synthetischer Videodaten mittels Lip-Syncing realer Audioaufnahmen mit statischen Gesichtsbildern erfolgreich bootstrapped werden kann, was in einer Anwendung auf Katalanisch zu einer nahezu state-of-the-art Leistung führt.
Diese Studie stellt erstmals eine Deep-Learning-Methode vor, die mithilfe eines CNN und eines CDAE zur Nachbearbeitung retinale OCT-Bilder eines kostengünstigen Selbstuntersuchungsgeräts segmentiert, wobei zwar die Gesamtretna präzise, die Detektion von pigmentepithelialen Ablösungen jedoch herausfordernd ist.
Die Studie stellt 3D-PIUNet vor, eine hybride Methode zur EEG-Quellenlokalisation, die physikalische Inverslösungen zur Initialisierung mit einem 3D-Convolutional-U-Net kombiniert, um die räumliche Genauigkeit der Gehirnquellen-Rekonstruktion sowohl bei simulierten als auch bei realen Daten signifikant zu verbessern.
Diese Arbeit stellt eine neue Few-Shot-Bildfusion vor, die auf dem Konzept unvollständiger Priors und dem Granular-Ball-Pixel-Computing-Algorithmus (GBPC) basiert, um eine adaptive, generalisierbare und dateneffiziente Lernmethode zu ermöglichen, die auch mit wenigen Trainingspaaren überlegene Ergebnisse liefert.
Die Studie stellt PanSubNet vor, ein interpretierbares Deep-Learning-Framework, das aus routinemäßigen H&E-gefärbten Gewebeschnitten molekulare Subtypen des Pankreaskarzinoms (basal-ähnlich und klassisch) mit hoher Genauigkeit vorhersagt und somit eine kosteneffiziente, schnelle und klinisch anwendbare Alternative zu teuren Genexpressionsanalysen bietet.
Das Paper stellt GOUHFI 2.0 vor, ein aktualisiertes Deep-Learning-Toolbox für die robuste Segmentierung, kortikale Parzellierung und Volumetrie von Gehirn-MRT-Daten bei Ultra-Hochfeld-Stärken, das durch erweiterte Trainingsdaten und eine kontrast- sowie auflösungsunabhängige Architektur die Grenzen bestehender Software überwindet.
Die Arbeit stellt ZACH-ViT vor, einen kompakten Vision Transformer ohne Positionscodierung und [CLS]-Token, der durch permutationsinvariante Verarbeitung und globale Durchschnittspooling in datenarmen medizinischen Bildgebungsszenarien regimeabhängige Vorteile zeigt, insbesondere bei Datensätzen mit schwachen räumlichen Priors.
Die Arbeit stellt ARCHE vor, ein effizientes, auf End-to-End-Lernen basierendes Bildkompressionsframework, das durch die Kombination von hierarchischen, räumlichen und kanalbasierten Priors sowie adaptiver Merkmalsneujustierung ohne rekurrente oder Transformer-Komponenten einen neuen State-of-the-Art in der Rate-Distortion-Leistung bei gleichzeitig hoher Recheneffizienz erreicht.
Diese Arbeit stellt eine effiziente, pipelinierte FPGA-Architektur für die Verschiebungsvektorsuche im Intra-Pattern-Copy-Modul von JPEG XS vor, die durch optimierte Speicherorganisation eine hohe Durchsatzrate von 38,3 Megapixeln pro Sekunde bei geringem Energieverbrauch erreicht und somit die praktische Hardware-Implementierung ermöglicht.
Dieser Artikel stellt ein adaptives semantisches Satellitenkommunikationssystem vor, das mithilfe einer dualen generativen Architektur und einer KI-gesteuerten Entscheidungsfindung die Bandbreite optimiert, indem es dynamisch zwischen Video- und Audio-gesteuerter Generierung wechselt, um auch unter schwierigen Kanalbedingungen eine hochwertige synchronisierte audiovisuelle Rekonstruktion zu gewährleisten.
Die Autoren stellen einen neuen Framework namens Diffusive INR (DINR) vor, der generative Diffusions-Priors mit impliziten neuronalen Darstellungen kombiniert, um aus spärlichen Neutronen-CT-Daten hochwertige 3D-Rekonstruktionen von Betonmikrostrukturen zu ermöglichen und dabei herkömmliche Methoden in Bezug auf Bildqualität und Artefaktreduktion zu übertreffen.
Diese Studie stellt eine effiziente, selbstüberwachte Methode zur Rekonstruktion seismischer Daten vor, die auf einem schlanken Netzwerk und einem Selbstkonsistenz-Lernansatz basiert, um unregelmäßige Datenerfassung ohne zusätzliche Trainingsdaten zu korrigieren.
Der Artikel stellt ECLARE vor, eine effiziente selbstüberwachte Methode zur anisotropen Auflösungssteigerung von 2D-MRT-Schichtbildern, die durch die Schätzung des Schichtprofils und das Lernen innerhalb derselben Volumina Interpolationsfehler, Domänenverschiebungen und Lücken zwischen den Schichten überwindet und dabei alle aktuellen Methoden in der Signalwiederherstellung sowie bei nachgelagerten Aufgaben übertrifft.