8184 件の論文
NovaLAD は、2 つの YOLO モデルとルールベースのグループ化、およびオプションのビジョン言語モデルを統合し、GPU 不要で CPU 上で高速かつ高精度に動作するドキュメント抽出パイプラインとして、DP-Bench ベンチマークで既存の商用・オープンソース解析器を上回る性能を達成したことを提案しています。
本論文は、臨床的な CT 画像解釈の動的なワークフローを模倣し、モデルコンテキストプロトコル（MCP）を活用してツール駆動型の自律的推論を実現する新しいエージェントフレームワーク「CT-Flow」を提案し、その性能を大規模ベンチマーク「CT-FlowBench」で実証したものである。
本論文は、大規模なビデオ言語モデルの高精度と小規模モデルの低遅延を両立させるため、ローカルファーストのアーキテクチャにエッジ拡張を組み合わせ、視覚表現の共有とトークン化の高速化を実現した「QuickGrasp」と呼ばれる応答性の高いビデオ言語クエリサービスシステムを提案するものである。
この論文は、コンクリートのX線CT画像におけるアグリゲートとモルタルの低コントラストという課題に対し、スーパーピクセルアルゴリズムを活用した自己注釈ベースの教師なし手法でCNNを訓練し、セマンティックセグメンテーションを可能にするアプローチを提案・検証したものである。
本研究は、都市形態計測と衛星画像を用いた局所気候帯（LCZ）の予測を評価した結果、形態計測単独ではサイト依存性が強く、画像との融合による精度向上も限定的かつ一貫性を欠くため、形態学的研究における LCZ フレームワークの使用には注意が必要であると結論付けています。
本論文は、テキストから画像を生成する拡散モデルにおける学習データの記憶（メモリー化）を、プロンプトごとの推論時にクロスアテンションを動的に調整する「GUARD」という新フレームワークで抑制し、生成品質を損なうことなくプライバシーや著作権侵害のリスクを低減する手法を提案しています。
本論文は、Matryoshka 埋め込みによる蒸留や量子化などの技術を用いて、1MB 未満のメモリ制約を持つマイクロコントローラー上でゼロショット物体検出を可能にするフレームワーク「TinyVLM」を提案し、STM32H7 や MAX78000 などのエッジデバイスでのリアルタイム推論を実現したことを報告しています。
本論文は、FiLM によるタスク適応圧縮と空間的多様性を考慮した代表例選択を組み合わせることで、マイクロコントローラの厳しいメモリ制約下でも新たな物体カテゴリを学習し続ける「Latent Replay Detection」という画期的な継続的物体検出フレームワークを提案し、実機検証によりその実用性を示したものである。
本論文は、外部要因による課題を克服し、マルチスペクトル画像を用いた時空間変動を考慮したニューラルネットワーク「TerrAI」を提案することで、小麦畑におけるデータ駆動型の窒素推定と精密施肥を実現する手法を提示しています。
この論文は、拡散モデルの学習データ記憶化を回避しつつ生成品質を維持するため、到達性分析に基づいて記述埋め込み空間で最小限の調整を行う推論時フレームワーク「RADS」を提案し、既存手法よりも多様性・品質・整合性のバランスを優位に改善することを示しています。
本論文は、画像編集の特性に合わせて編集難易度に応じた動的リソース配分、領域特定に基づく検証、および意図に合致した結果の早期停止を実現する「ADE-CoT」を提案し、既存のテスト時スケーリング手法よりも優れた性能と効率性を達成することを示しています。
この論文は、組織を細胞グラフとして生物学的にモデル化し、マスクドオートエンコーダーとヘテロフィリックグラフニューラルネットワークを組み合わせた自己教師あり学習フレームワーク「GrapHist」を提案し、パラメータ数を大幅に削減しながらスライドから細胞レベルまでの多様なタスクで優れた性能を示すとともに、大規模なグラフベースの病理データセットを公開したことを報告しています。
本論文は、CoTransformer による潜在空間の解離とコントラスト学習、および DDIM 拡散モデルを組み合わせた「DHVAE」を提案し、物理的妥当性と意味的整合性を兼ね備えた高品質な 3D 人間間相互作用生成を実現するものである。
本論文は、3D ガウススプラッティングを MRI 再構成に応用した「M-Gaussian」を提案し、物理的整合性を持つガウスプリミティブや多解像度学習などにより、高品質かつ高速な多スタック MRI 画像の等方性再構成を実現したものである。
本論文は、医療用ビジョン・ランゲージモデルの言い換えに対する一貫性を高めるため、メカニズムに基づくスパース・オートエンコーダの転知と、一貫性と正解率を両立させる LoRA 微調整を組み合わせる手法を提案し、翻転率の大幅な削減と精度の維持・向上を実証したものである。
本論文は、マルチスケール残差補正と物理的整合性を拡散プロセスに組み込むことで、流体の超解像において高精度・高忠実度を実現し、従来の拡散モデルよりも大幅に少ないサンプリングステップで効率的に計算を行う「ReMD」と呼ばれる新しいフレームワークを提案しています。
この論文は、追加学習や微調整を必要としない勾配ベースの「アンカーとシム」手法を用いることで、拡散モデルが透かしや著作権保護を回避し、著作権のある画像を複製できることを実証し、ニューラルモデルによるデータ盗用の深刻な脅威を浮き彫りにしています。
この論文は、自己遮蔽による視覚の制約を克服し、ロボットが人間と安全に協働するために不可欠な動作進行予測の精度を向上させるため、モバイル ALOHA 上で多視点アーキテクチャを提案し、その有効性を実証したものである。
本論文は、意味的関連性を考慮した情報抽出、テキストの画像化によるトークン圧縮、および補助モデル不要なレイアウト違反検出という 3 つの革新技術により、学術ポスター生成における情報密度、トークン効率、およびレイアウトの信頼性を大幅に向上させるエンドツーエンドのフレームワーク「EfficientPosterGen」を提案するものである。
この論文は、限られたラベル付きデータや臨床的な画像劣化に強い頑健な医療画像セグメンテーションを実現するため、視覚的特徴によるテキスト表現の反復的洗練と拡張一貫性目的を備えた双方向マルチモーダル融合フレームワーク「BiCLIP」を提案し、主要ベンチマークで最先端の手法を上回る性能を示したことを報告しています。