6599 papers
Dit paper introduceert SiMO, een nieuw systeem voor collaboratieve waarneming dat door middel van Length-Adaptive Multi-Modal Fusion (LAMMA) en een unieke trainingsstrategie modale uitval effectief opvangt en semantische consistentie behoudt, waardoor het prestaties optimaliseert ongeacht welke sensoren beschikbaar zijn.
Deze paper introduceert een topologisch stabiele variant van de Hough-transformatie die, in plaats van een gediscrétiseerde stemming, een continue scorefunctie en persistente homologie gebruikt om lijnen in puntwolken te detecteren, vergezeld van een efficiënt algoritme voor de berekening van deze kandidaatlijnen.
Dit paper introduceert DynamicVGGT, een uniek feed-forward framework dat VGGT uitbreidt tot dynamische 4D-scèneherconstructie voor autonoom rijden door het gezamenlijk voorspellen van puntkaarten en het gebruik van motion-aware temporal attention en dynamische 3D Gaussian Splatting voor nauwkeurige bewegingsmodellering.
Dit paper introduceert WaDi, een efficiënt distillatiekader dat gebruikmaakt van LoRaD om richtingsveranderingen in de gewichten van diffusion-modellen te modelleren, waardoor state-of-the-art één-staps beeldsynthese wordt bereikt met slechts 10% van de trainbare parameters.
Deze paper introduceert een leervrije methode voor het volgen van 6D objectposities met behulp van event-camera's, die door het fuseren van optische stroom voor voortplanting en een sjabloongebaseerde correctiestrategie superieure prestaties boekt bij snel bewegende objecten in vergelijking met bestaande RGB-D-camera-algoritmen.
Dit artikel introduceert een methode die gebruikmaakt van conceptprototypen, afgeleid uit de inbeddingsgeometrie van het model, om brede en complexe concepten zoals geweld en seksualiteit betrouwbaar uit diffusiemodellen te verwijderen terwijl de beeldkwaliteit behouden blijft.
Deze paper introduceert OSCAR, een labelvrije methode die op basis van akoestische neurale impliciete representaties onvolledige ultrasone beelden van de wervelkolom omzet in volledige 3D-anatomische modellen om zo de uitdagingen van akoestische schaduwvorming tijdens minimaal invasieve ingrepen te overwinnen.
Deze paper introduceert SP-CLIP, een lichtgewicht framework dat gebruikmaakt van gestructureerde semantische prompts op verschillende abstractieniveaus om zero-shot actieherkenning aanzienlijk te verbeteren zonder de visuele encoder aan te passen of extra parameters te leren.
Deze paper introduceert een retrieval-versterkte methode voor het genereren van CT-beelden op basis van tekst, die semantische informatie uit radiologieverslagen combineert met opgehaalde anatomische structuren via een ControlNet-branch om zowel de beeldkwaliteit als de klinische consistentie te verbeteren.
Deze paper introduceert een concept-gestuurd fijntuning-framework dat Vision Transformers robuuster maakt tegen distributieveranderingen door hun interne relevantiekaarten automatisch uit te lijnen met semantische objectconcepten, afgeleid van een LLM en VLM, in plaats van te vertrouwen op spurious correlaties zoals achtergronden.
Deze paper introduceert HDR-NSFF, een nieuw raamwerk dat dynamische HDR-scènes reconstrueert door een verschuiving van 2D-pixelmerging naar 4D ruimtetijdmodellering, wat leidt tot superieure view synthesis en ghosting-reductie in uitdagende belichtingsomstandigheden.
Dit paper introduceert SlowBA, een nieuwe backdoor-aanval op VLM-gebaseerde GUI-agenten die de reactietijd aanzienlijk vertraagt door via een twee-trapsreinforcement learning-strategie specifieke triggers te gebruiken die lange redeneringsketens veroorzaken, terwijl de taaknauwkeurigheid behouden blijft.
Dit onderzoek vergelijkt de prestaties van mensen en AI bij het herkennen van ego-centrische acties en toont aan dat mensen sterk afhankelijk zijn van specifieke, semantische visuele aanwijzingen, terwijl modellen juist meer vertrouwen op contextuele kenmerken en minder gevoelig zijn voor ruimtelijke en tijdelijke verstoringen.
Dit artikel introduceert een algemeen framework voor het evalueren van de kwaliteit van warmtekaarten in multiple instance learning-modellen voor histopathologie, waarbij wordt aangetoond dat methoden zoals perturbation en LRP betrouwbaardere verklaringen bieden dan traditionele attention-mechanismen, wat leidt tot betere modelvalidatie en biologische inzichten.
Deze paper introduceert SOT-GLP, een methode voor few-shot aanpassing van vision-language modellen die door middel van schaarse optimale transport een gedeelde set visuele patches efficiënt en zonder overlap toewijst aan specifieke prompts, waardoor zowel de classificatie-accuraatheid wordt verbeterd als de robuustheid voor out-of-distribution detectie wordt behouden.
Het paper introduceert VLA, een prior-gestuurd raamwerk dat in plaats van absolute toekomstige toestanden, veranderingen in wereldkennis modelleert ten opzichte van een expliciete prior om robotmanipulatie efficiënter en effectiever te maken.
Dit paper introduceert UniDiffDA, een unificerend analytisch kader en eerlijk evaluatieprotocol voor diffusie-gebaseerde data-augmentatie, dat een systematische vergelijking mogelijk maakt van bestaande methoden om inzicht te krijgen in hun effectiviteit bij beeldherkenning onder data-schaarste.
Dit paper introduceert Adaptive Manifold Prototypes (AMP), een framework dat Stiefel-geometrie en Riemanniaanse optimalisatie gebruikt om prototype-instorting te voorkomen, waardoor zowel de classificatie-accuraatheid als de causaliteitsgetrouwheid van interpretable modellen aanzienlijk worden verbeterd.
Dit onderzoek presenteert een rectified flow-model dat, getraind op de SAILOR-dataset, realistische post-behandelings MRI-scans van gliomapatiënten genereert op basis van pre-behandelingsbeelden en stralingsdosisplanningen, waardoor snellere en gepersonaliseerde aanpassingen van de radiotherapie mogelijk worden.
Deze paper introduceert DDHF, een real-time methode voor het detecteren van drones op basis van gebeurteniscamera's die via een niet-uniforme discrete Fourier-transformatie de rotorfrequenties analyseert en hiermee zowel hogere nauwkeurigheid als lagere latentie bereikt dan traditionele diepe leer-algoritmen zoals YOLO.