1863 papers
Dit paper introduceert PRLF, een progressief leerframework voor multimodaal sentimentanalyse dat onvolledige modaliteiten effectief verwerkt door middel van een adaptieve betrouwbaarheidsschatting en een progressieve interactiemodule om feature-misalignement te voorkomen en robuustheid te garanderen.
Deze paper introduceert QUSR, een nieuwe diffusion-model voor beeldsuperresolutie dat realistische en hoogwaardige resultaten in complexe scenario's bereikt door een onzekerheidsgeleide ruisgeneratiemodule te combineren met een kwaliteitsbewuste prior die wordt gegenereerd door een multimodaal groot taalmodel.
Deze studie introduceert een volledig geautomatiseerd framework dat gebruikmaakt van een transformer-gebaseerd SegFormer-model voor multi-regionale segmentatie van HR-pQCT-beelden, waarmee radiomische kenmerken uit zachte weefsels worden ontleend die de prestaties van osteoporosedetectie significant verbeteren ten opzichte van traditionele botgebaseerde methoden.
Deze paper introduceert EQ-VMamba, het eerste rotationeel equivariante visuele Mamba-architectuur die door het integreren van rotatiesymmetrie niet alleen robuustheid tegen rotaties verbetert, maar ook superieure prestaties levert met ongeveer 50% minder parameters dan bestaande niet-equivariante modellen.
Dit paper introduceert een Agentic AI-systeem dat als intelligente besturingslaag fungeert voor federatief leren in 6G-netwerken, waarbij gespecialiseerde agenten dynamisch taken zoals cliëntselectie en hulpbronnenallocatie optimaliseren op basis van netwerkomstandigheden en apparaatcapaciteiten.
Dit paper introduceert RTFDNet, een robuust RGB-T segmentatienetwerk dat Synergistic Feature Fusion en Cross-Modal Decouple Regularization combineert om effectief te presteren in omstandigheden met ontbrekende sensorgegevens door modulaire aanpassing en fusie te verenigen in één trainingsproces.
RubiCap is een nieuw reinforcement learning-framework dat de uitdagingen van dichte beeldbeschrijving oplost door gebruik te maken van door LLM's geschreven rubrieken voor gestructureerde, veelzijdige beloningssignalen, waardoor het superieure resultaten bereikt ten opzichte van bestaande methoden en zelfs modellen die zijn getraind op data van propriëtaire modellen.
Dit artikel introduceert een verbeterde deep-learning-methode, POLISH, voor radio-interferometrische beeldreconstructie die door middel van patch-wise training en een niet-lineaire intensiteitstransformatie robuust is voor realistische omstandigheden en de ontdekking van sterke gravitationele lenzen aanzienlijk verbetert.
Het artikel introduceert Progressive Split-Mamba (PS-Mamba), een hiërarchisch framework dat de beperkingen van bestaande State Space Modellen voor beeldherstel overwint door topologie-bewuste partitie en kruis-schaal shortcuts te combineren voor zowel lokale structuurbehoud als efficiënte globale coherentie.
Dit paper introduceert SAGE, het eerste end-to-end multi-modale groot taalmodel dat ruwe puntwolken direct verwerkt door ze als discrete tokens te behandelen, waardoor het afhankelijkheid van vooraf getrainde 3D-encoders elimineert en superieure prestaties levert in termen van rekenefficiëntie, generalisatie en robuustheid.
Dit paper introduceert MM-Zero, het eerste RL-gebaseerde framework dat Vision Language Models zonder enige trainingsdata zelf kan laten evolueren door middel van een unieke drie-rollen architectuur (voorsteller, coder en solver) die samenwerken om visuele concepten te genereren en redeneervermogen te verbeteren.
Dit artikel introduceert een geometrie-bewust metrisch leerframework dat gebruikmaakt van rotatie- en schaal-invariante hoekdescriptoren van statische handkeypoints om de prestaties van cross-linguale few-shot herkenning van gebarentaal aanzienlijk te verbeteren, zelfs in scenario's met beperkte data.
Dit paper introduceert TubeMLLM, een fundamenteel model dat multimodale grote taalmodellen combineert met topologische priors en een nieuw benchmark (TubeMData) om de topologische consistentie en zero-shot generalisatie bij de modellering van vaatachtige anatomie aanzienlijk te verbeteren.
Dit artikel introduceert een nieuwe verliesfunctie voor een gedistribueerd convolutioneel neuronaal netwerk (DisCNN) dat zich specifiek richt op het extraheren van kenmerken van één positieve klasse door negatieve monsters naar de oorsprong te projecteren, wat resulteert in een lichtgewicht model met uitstekende generalisatie voor objectdetectie in complexe achtergronden.
Dit paper introduceert UniField, een unificerend framework voor MRI-versterking dat gebruikmaakt van voorgeöefende 3D-foundationmodellen en een veldbewust spectrale correctiemechanisme om de generalisatie over verschillende veldsterktes te verbeteren, ondersteund door een nieuw, grootschalig dataset.
HelixTrack is een volledig gebeurtenisgestuurde methode die propellerachtige objecten traceert en hun toerental schat met microseconde-latenstie door homografie-gebaseerde terugprojectie en Kalman-filtering, en wordt geëvalueerd op het nieuwe TQE-dataset.
In dit paper stellen de auteurs BridgeDiff voor, een diffusion-gebaseerd framework dat de kloof tussen menselijke waarnemingen en platte kledingreconstructie overbrugt door middel van een kledingvoorwaarde-module en een platte-structuurbeperking-module om state-of-the-art virtuele pasvormresultaten te bereiken.
RAE-NWM is een nieuw navigatiemodel dat dynamiek in een dichte visuele representatieruimte modelleert in plaats van in een gecomprimeerde latente ruimte, waardoor de structurele stabiliteit en actie-accuraatheid voor visuele navigatie worden verbeterd.
Dit paper introduceert Geometric Semantic Decoupling (GSD), een parameterloze module die semantische shortcuts in VFM-gebaseerde detectoren elimineert om zo de generalisatievermogen voor het detecteren van AI-genereerde afbeeldingen en video's aanzienlijk te verbeteren.
Deze paper introduceert Poly-DETR, een lichtgewicht transformer-model dat instantiesegmentatie omvormt tot regressie van polygonen via polaire representatie, waardoor het de afhankelijkheid van dichte pixelmaskers elimineert en aanzienlijk betere prestaties en lagere geheugenvraag bereikt dan bestaande methoden, vooral bij hoge resoluties en regelmatige objecten.