6485 papers
Dit paper introduceert EyExIn, een data-efficiënt raamwerk dat retinale Vision Language Models versterkt met diepe expertinjectie en een dubbelstroom-architectuur om de kloof tussen algemene visuele waarneming en medisch redeneren te overbruggen en zo hallucinaties te voorkomen.
Dit paper introduceert AutoSelect, een methode die visuele tokens in vision-language modellen automatisch selecteert via een ruisgebaseerde poortmechanisme om de inferentiekosten aanzienlijk te verlagen terwijl de nauwkeurigheid behouden blijft.
Dit paper introduceert PDD, een nieuw raamwerk voor de detectie van afwijkingen in medische beelden dat gebruikmaakt van een manifold-prior met dual-teacher priors en diverse distillatiestrategieën om significante verbeteringen in prestaties te bereiken ten opzichte van bestaande state-of-the-art methoden.
Dit paper introduceert CanoVerse, een schaalbaar 3D-dataset en raamwerk dat door het standaardiseren van objectoriëntatie de stabiliteit van 3D-generatie en de precisie van vormretrieval aanzienlijk verbetert.
Dit paper introduceert LiveWorld, een nieuw framework dat bestaande generatieve videowereldmodellen verbetert door een persistent globale staat te modelleren die dynamiek blijft simuleren zelfs wanneer objecten buiten het gezichtsveld van de waarnemer zijn, waardoor een echt continu evoluerende wereld mogelijk wordt.
Het paper introduceert PromptGate, een adaptief framework voor Federated Active Learning dat met behulp van dynamische prompt-vectoren een BiomedCLIP-achtergrondmodel aanpast aan lokale klinische domeinen om uitval- en ruisdata (OOD) effectief te filteren en zo de privacy te waarborgen bij de ontwikkeling van medische AI.
Dit paper introduceert ACD-U, een asymmetrisch co-teaching-raamwerk dat machine unlearning combineert met een CLIP-gebaseerde Vision Transformer en een CNN om foutieve labelselecties actief te corrigeren en zo robuust leren met ruisachtige labels te realiseren.
Dit onderzoek introduceert een visueel kader voor transformer-modellen in computationele pathologie dat aantoont dat class visualizations en activation atlases gestructureerde morfologische patronen onthullen, waarbij de overeenstemming tussen experts en gegenereerde afbeeldingen afneemt naarmate de labelgranulariteit toeneemt en de intrinsieke complexiteit van de pathologie groter wordt.
Dit paper introduceert FreeFly-thinking, een end-to-end framework dat chain-of-thought redenering koppelt aan continue UAV-navigatie in complexe buitenomgevingen, waarbij een nieuw dataset en een tweestaps trainingsstrategie worden gebruikt om robuuste prestaties te bereiken.
Het paper introduceert FastSTAR, een trainingsvrij versnellingsframework dat spatiotemporale token-pruning toepast om de computationele bottleneck bij autoregressieve videogeneratie op te lossen door redundante berekeningen te elimineren terwijl de kwaliteit behouden blijft.
Dit paper introduceert SPCP, een methode die de robuustheid van out-of-distribution detectie verbetert door tijdens het trainen de afhankelijkheid van een paar dominante parameters te verminderen en in plaats daarvan een bredere, dichte bijdragepatroon te stimuleren, waardoor oververzekerde voorspellingen voor afwijkende data worden voorkomen zonder de prestaties op bekende data te schaden.
Het paper introduceert VINO, een zelftoezichtend leerframework dat via een structurele informatie-flesnek en asymmetrische distillatie video-features leert die robuust zijn voor achtergrondcontext en zich richten op objectcentrische invarianties.
Het paper introduceert LightMedSeg, een lichtgewicht 3D-medische beeldsegmentatiearchitectuur die anatomische prioren en adaptieve contextmodelling combineert om met slechts 0,48 miljoen parameters een nauwkeurigheid te bereiken die vergelijkbaar is met zware transformer-modellen, terwijl het tegelijkertijd de rekenkosten en geheugeneisen drastisch verlaagt.
Dit paper introduceert BATDiff, een onbewaakte diffusiemodel dat gebruikmaakt van een bivariate `A Trous`-golftransformatie om scherpere en structureel consistentere super-resolutie-resultaten te genereren door cross-schaal afhankelijkheden te modelleren en artefacten te verminderen.
Het paper introduceert HY-WU, een uitbreidbaar raamwerk dat de nadruk verlegt van het overschrijven van gedeelde modelgewichten naar het gebruik van functioneel neurale geheugenmodules om instantie-specifieke aanpassingen in real-time te genereren voor continu leren en personalisatie.
Het paper introduceert FabricGen, een end-to-end framework dat tekstuele beschrijvingen omzet in realistische geweven stoffen door macro-texturen te genereren met gedetailleerde diffusion-modellen en micro-weefpatronen te creëren via een procedurale geometrische aansturing door een gespecialiseerd WeavingLLM.
Dit paper introduceert PresentBench, een fijnmazig, op rubrics gebaseerd benchmark met 238 instances en gedetailleerde checklists om de kwaliteit van automatisch gegenereerde presentaties nauwkeuriger te evalueren en aan te tonen dat NotebookLM andere methoden significant overtreft.
Het paper introduceert LEPA, een architectuur die de onbetrouwbare latent-space interpolatie vervangt door het direct voorspellen van getransformeerde embeddings op basis van geometrische augmentaties, waardoor de nauwkeurigheid van geometrische aanpassingen in satellietremote sensing-data aanzienlijk wordt verbeterd.
Dit paper introduceert Variational Flow Maps, een raamwerk dat voorwaardelijke generatie en inverse problemen oplost door in plaats van een iteratief pad te volgen, een 'noise adapter' te leren die de juiste initiële ruis genereert voor hoogwaardige, één-staps steekproeven.
Deze studie introduceert BD-VITON, een nieuwe dataset voor virtuele passen van traditionele Bangladeshi kleding zoals saree's en panjabis, en toont aan dat het herbekijken en evalueren van bestaande modellen op deze dataset leidt tot significante verbeteringen ten opzichte van zero-shot inferentie.