93 Arbeiten
Die Studie stellt eine hybride Methode vor, die die exakte Clustergrößenbestimmung durch Union-Find mit analytischen GRF-p-Werten kombiniert, um die Cluster-basierte Inferenz in der Voxel-basierten Morphometrie ohne Permutationstests sowohl um Größenordnungen zu beschleunigen als auch die Genauigkeit zu erhalten.
Die Studie vergleicht lokales, zentralisiertes und föderiertes Deep Learning zur Klassifizierung der Beziehung zwischen dem dritten Backenzahn und dem Unterkieferkanal auf Panoramaröntgenbildern und zeigt, dass zwar das zentralisierte Training die beste Leistung erzielt, das föderierte Lernen jedoch eine privacy-schützende Alternative darstellt, die das lokale Lernen deutlich übertrifft.
Diese Arbeit zeigt, dass Bild-in-Bild-Steganografie aufgrund ihrer charakteristischen Mischprozesse, die sich mittels unabhängiger Komponentenanalyse und Momentenanalyse leicht identifizieren lassen, eine hohe Anfälligkeit für Entdeckung aufweist und mit vorgeschlagenen sowie klassischen Methoden eine sehr hohe Detektionsgenauigkeit erreicht wird.
Die Autoren stellen mit UniCAC einen umfassenden Benchmark für die korrekte Berechnung von Abbildungsfehlern in Fotografiekameras vor, der durch eine neue Bewertungsmethode und die Analyse von 24 Algorithmen entscheidende Erkenntnisse für die Entwicklung universell generalisierender Korrekturverfahren liefert.
Das Paper stellt O3N vor, ein rein visuelles, end-to-end Framework für die omnidirektionale, offenwortschatzbasierte 3D-Objekterkennung, das durch innovative Module wie den Polar-Spiral-Mamba und die natürliche Modalitätsausrichtung eine state-of-the-art Leistung und hervorragende Generalisierungsfähigkeit in offenen Umgebungen erreicht.
Diese Arbeit stellt ein neuartiges, unüberwachtes adversariales Deep-Unfolding-Netzwerk vor, das unter Verwendung nur eines einzigen hochauflösenden RGB-Bildes und geringer Trainingsdaten die Super-Resolution von MA-XRF-Scans alter Meisterwerke ermöglicht und dabei bestehende Methoden übertrifft.
Die Autoren stellen einen Näherungs-Expectation-Maximization-Algorithmus vor, der die dreidimensionale Struktur kleiner Moleküle direkt aus kryoelektronenmikroskopischen Mikrogrammen rekonstruiert und dabei die bei niedrigem Signal-zu-Rausch-Verhältnis problematische Vorverarbeitungsschritt der Bildlokalisierung umgeht.
Die Arbeit stellt ResSR vor, eine rechnerisch effiziente, überwachte Trainings entbehrende Methode zur Super-Auflösung von Multispektralbildern, die durch eine Entkopplung von spektraler und räumlicher Verarbeitung eine hohe Rekonstruktionsqualität bei deutlich geringerer Laufzeit im Vergleich zu bestehenden Verfahren erreicht.
Diese Studie stellt ein neuartiges, auf externer visueller Beobachtung basierendes System vor, das mithilfe von Computer-Vision-Methoden wie YOLO und Spurverfolgung ablenkungs- und beeinträchtigungsbedingtes Fahrverhalten bei nicht vernetzten Fahrzeugen in Echtzeit erkennt, um zur Reduzierung von Verkehrsunfällen beizutragen.
Das Paper stellt MedFuncta vor, ein einheitliches Framework, das durch Meta-Learning und eine optimierte SIREN-Aktivierung effiziente, generalisierbare neurale Felder für große medizinische Datensätze ermöglicht und dabei Speicherbedarf sowie Rechenaufwand reduziert.
Diese Arbeit stellt einen energieeffizienten, adiabatischen kapazitiven Neuronen (ACN) in 0,18-µm-CMOS-Technologie vor, der durch eine neue Schwellenwertlogik und über 90 %ige Energieeinsparungen im Vergleich zu herkömmlichen CMOS-Ansätzen die Leistungsfähigkeit, Robustheit und Skalierbarkeit künstlicher neuronaler Netze signifikant verbessert.
Die Arbeit stellt Overtone vor, einen effizienten und flexiblen PDE-Surrogat, der durch zyklische Modulation der Patch-Größe während der Inferenz systematische Fehlerakkumulation bei harmonischen Frequenzen reduziert und eine dynamische Anpassung von Genauigkeit und Rechenkosten ermöglicht.
Die Arbeit stellt GMLN-BTS vor, einen graphbasierten, leichten Multi-Modal-Netzwerkansatz für die adaptive Hirntumorsegmentierung, der durch drei innovative Komponenten eine hohe Präzision bei nur 4,58 Millionen Parametern erreicht und damit den aktuellen Stand der Technik bei ressourceneffizienten Modellen auf den BraTS-Benchmarks übertrifft.
Die vorgestellte Arbeit entwickelt einen erklärbarkeitsgesteuerten aktiven Lernansatz für die medizinische Bildanalyse, der durch die Kombination von Klassifikationsunsicherheit und der Ausrichtung auf radiologisch relevante Regionen die Dateneffizienz und klinische Interpretierbarkeit von Modellen signifikant verbessert.
Die Arbeit stellt CogGen vor, ein vollständig unüberwachtes Deep-Generative-Modell, das durch eine kognitionsbelastungsinformierte, stufenweise Anpassung der Trainingsdaten von niedrigen zu hohen Frequenzen die Rekonstruktion komprimiert abgetasteter MRT-Bilder verbessert und dabei Überanpassung sowie Konvergenzprobleme herkömmlicher Methoden überwindet.
Diese Arbeit zeigt theoretisch und empirisch auf, dass diffusion-basierte Bildbearbeitung robuste unsichtbare Wasserzeichen durch den zugrundeliegenden Denoising-Prozess systematisch zerstört, was zu einer Informationsverlustrate führt, die eine zuverlässige Entschlüsselung unmöglich macht.
Die Studie stellt HoloPASWIN vor, ein physikbewusstes Deep-Learning-Framework auf Basis von Swin-Transformern, das durch die Integration von Frequenzbereichsbeschränkungen und physikalischer Konsistenz das twin-image-Problem in der Inline-Holographie effektiv unterdrückt und robuste Rekonstruktionen ermöglicht.
Diese Studie stellt ein 360-Grad-Multikamerasystem vor, das mithilfe des ABLDataset und eines mit einem Farb-Aufmerksamkeitsblock verbesserten RT-DETR-Modells blaue Einsatzfahrzeuglichter mit hoher Genauigkeit erkennt und deren Annäherungswinkel zur Verbesserung von ADAS und der Verkehrssicherheit bestimmt.
Diese Arbeit stellt einen Snapshot-HDR-Sensor mit nicht-regelmäßiger Pixelanordnung vor, der durch räumlich variierende Aperturen den Dynamikbereich erweitert und durch Fourier-Rekonstruktion hochauflösende, aliasing-freie Bilder aus einer einzigen Aufnahme ermöglicht.
Die Studie zeigt, dass eine einfache Lungenzuschneidung durch Begrenzungsrahmen ein wirksames Mittel ist, um das Erlernen rassistischer Kurzschlüsse in KI-Modellen für Röntgenbilder zu reduzieren, ohne dabei die diagnostische Genauigkeit zu beeinträchtigen.