98 Arbeiten
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.
Die vorgestellte Arbeit adressiert das Problem der Verwacklungsunschärfe bei der generischen Kamerakalibrierung mit gedruckten Kalibrierungsbrettern, indem sie geometrische Constraints und ein lokales parametrisches Beleuchtungsmodell nutzt, um gleichzeitig Merkmalspositionen und ortsveränderliche Punktspreizfunktionen zu schätzen.
Diese Studie stellt ein Multi-Volumen-Latent-Konsistenzmodell vor, das durch die Nutzung von dreidimensionalen latenten Darstellungen aus verschiedenen Gesichtsfeldern eine schnelle, stabile und hochpräzise Rekonstruktion von CT-Bildern bei stark eingeschränkten Aufnahmewinkeln ermöglicht und dabei robuste Ergebnisse unter verschiedenen klinischen Bedingungen liefert.
Diese Arbeit stellt ein System vor, das progressive Bilder mittels JPEG2000 und des DNA-basierten JPEG DNA VM-Codecs speichert, um durch adaptive Sampling-Methoden von Nanopore-Sequenzierern eine PCR-freie Zufallszugriffslösung zu ermöglichen, die die Kosten für das Auslesen von Bildauflösungsstufen in DNA-Datenspeichern senkt.
Die Studie stellt ICHOR vor, einen selbstüberwachten Ansatz auf Basis von Masked Autoencodern, der mithilfe einer großen, multizentrischen Datensammlung von 11.405 ASL-CBF-Scans robuste Repräsentationen für die Verbesserung diagnostischer Klassifizierung und Qualitätsvorhersage in der zerebralen Durchblutungsmessung lernt und dabei bestehende Methoden übertrifft.
Der Artikel stellt GeoTop vor, ein mathematisch fundiertes Framework, das Topologische Datenanalyse und Lipschitz-Killing-Krümmungen vereint, um die Unterscheidung zwischen gutartigen und bösartigen Strukturen in der diagnostischen Bildgebung durch die Kombination topologischer Invarianz mit geometrischer Sensitivität zu verbessern und dabei sowohl die Genauigkeit als auch die Interpretierbarkeit zu steigern.
Die Arbeit stellt Implicit U-KAN 2.0 vor, ein neuartiges, theoretisch fundiertes und interpretierbares medizinisches Bildsegmentierungsnetzwerk, das durch die Integration von MultiKAN-Schichten und zweiten Ordnungs-Neuronalen Gewöhnlichen Differentialgleichungen (SONO) die Leistung und Effizienz bestehender U-Net-Architekturen übertrifft.
Die Studie stellt ein neuartiges Multitask-Learning-Framework namens CSASN vor, das durch die Kombination von EfficientNet und Vision-Transformern mit einem dualen Aufmerksamkeitsmechanismus die präzise Erkennung seltener Schilddrüsenkarzinome in Ultraschallbildern trotz heterogener Merkmale und Datenungleichgewichts ermöglicht.
Diese Arbeit charakterisiert das von Apple in iPhone-Porträtmodi erzeugte synthetische Defokus-Rauschmuster (SDNP), entwickelt Methoden zu dessen präziser Modellierung und zeigt auf, wie dessen Berücksichtigung die Zuverlässigkeit von PRNU-basierten forensischen Quellenverifizierungen verbessert und neue Spuren für die Geräteidentifizierung bietet.
Die vorgestellte Arbeit entwickelt „Fast Equivariant Imaging" (FEI), ein neuartiges unüberwachtes Lernframework, das durch die Kombination von Augmented Lagrangian und Plug-and-Play-Denoisern das Training von Bildgebungsnetzwerken ohne Ground-Truth-Daten um den Faktor 10 beschleunigt und gleichzeitig die Generalisierungsleistung verbessert.
Die Studie stellt eine neuartige Methode namens „Persistent Homology Convolutions" vor, die lokale topologische Merkmale in histopathologischen Bildern erfasst und dadurch die Klassifizierungsgenauigkeit sowie die Robustheit gegenüber Hyperparametern im Vergleich zu herkömmlichen CNN-Architekturen verbessert.
Diese Arbeit stellt mit ActiSeg-NL den ersten Benchmark für die label-noise-robuste, aktionsbasierte Videosegmentierung vor, analysiert systematisch die Auswirkungen von Text- und Maskenrauschen und führt einen Parallel Mask Head Mechanism (PMHM) zur Verbesserung der Robustheit ein.
Das Paper stellt Cryo-SWAN vor, ein auf der Multi-Scale-Wavelet-Zerlegung basierendes Autoencoder-Netzwerk, das durch konditionale, grob-zu-fein verlaufende latente Kodierung und rekursive Residual-Quantisierung robuste Repräsentationen für molekulare Dichtevolumen erzeugt und damit die Rekonstruktionsqualität sowie die generative Modellierung in der strukturellen Biologie verbessert.
Diese Dissertation stellt ein umfassendes Feldbildgebungsframework vor, das mithilfe von Computer-Vision-Algorithmen und integrierten 3D-Rekonstruktions- und Segmentierungsmethoden eine automatisierte morphologische Charakterisierung von Baustoffaggregaten unter realen Bedingungen ermöglicht.