8926 papers
Dit artikel presenteert een digitale-tweelinggestuurde V2X-baanvoorspellingspipeline voor stedelijke kruispunten die, door middel van een innovatieve 'twin loss' naast de standaard MSE-loss, de voorspellingen van multi-agent bewegingen significant veiliger maakt door verkeersregels en botsingsvermijding te integreren zonder de nauwkeurigheid of real-time prestaties te compromitteren.
Het paper introduceert AutoThinkRAG, een framework dat de prestaties van Vision-Language Models bij complexe documentvraag-antwoordtaken verbetert door query-complexiteit te routeren en visuele interpretatie te ontkoppelen van logische redenering, wat leidt tot state-of-the-art resultaten tegen lagere kosten.
Dit paper introduceert BISE, een strategie die bestaande, vooroordeelvrije subnetwerken uit standaard getrainde modellen haalt door pruning, waardoor bias-effectieve mitigatie mogelijk is zonder extra data of hertraining.
Deze paper introduceert "Thinking with Spatial Code", een kader dat RGB-video's omzet in expliciete 3D-ruimtelijke representaties om grote taalmodellen in staat te stellen fysieke redeneringen uit te voeren en zo nieuwe state-of-the-art resultaten te behalen op VSI-Bench.
Deze paper introduceert het eerste gekoppelde robuustheidsverificatiekader voor heatmaps gebaseerde sleutelpuntdetectie dat, in tegenstelling tot eerdere onafhankelijke benaderingen, de gezamenlijke afwijking van alle sleutelpunten garandeert door het verificatieprobleem te formuleren als een falsificatieopdracht met behulp van gemengd-geheelgetallige lineaire programmering.
DreamCAD is een multi-modale generatieve framework dat schaalbaar en bewerkbare CAD-modellen (BRep) produceert vanuit punt-supervisie zonder specifieke CAD-annotaties, door parametrische oppervlakken te combineren met differentieerbare tessellatie en het nieuwe CADCap-1M dataset.
Dit paper introduceert ABRA, een nieuwe methode voor batchcorrectie in high-content screening die bio-batch-effecten aanpakt als een domein-generalisatieprobleem door middel van een adversariaal trainingsframework dat statistische fluctuaties simuleert en zo de generalisatie van diepe leermodellen op onzichtbare data verbetert.
Dit paper introduceert de Post Fusion Stabilizer (PFS), een lichtgewicht module die de robuustheid van bestaande multimodale 3D-detectiesystemen verbetert door de stabiliteit van vogelvluchtperspectief-kenmerken te waarborgen bij domeinverschuivingen en sensorstoringen, zonder de bestaande architectuur te hoeven aanpassen.
Dit artikel introduceert CBM-Suite, een methodologisch kader dat de fundamentele beperkingen van Concept Bottleneck Models aanpakt door een entropie-maatstaf voor conceptrelevantie, een niet-lineaire laag om het 'lineariteitsprobleem' op te lossen, en distillatie voor nauwkeurigheidsverbetering, waardoor nauwkeurigere en interpreteerbaarder modellen ontstaan.
Dit paper introduceert de geïnterpoleerde FID (iFID), een nieuwe metiek die door interpolatie van latente representaties een sterke correlatie aantoont met de generatieve FID van diffusiemodellen, waardoor het een betrouwbaarder voorspeller wordt dan de traditionele reconstructie-FID.
Dit paper introduceert Implicit Error Counting (IEC), een referentievrije beloningsmethode voor reinforcement learning die in plaats van een rubric fouten telt met gewichten, wat leidt tot superieure resultaten bij virtuele pasproeven waar geen enkel ideaal antwoord bestaat.
Het artikel introduceert SemVID, een trainingsvrij raamwerk voor semantische toewijzing van bewijsmateriaal dat door het behoud van object-, bewegings- en contexttokens de nauwkeurigheid van video-temporale gronding behoudt terwijl het het aantal visuele tokens drastisch reduceert en de verwerkingssnelheid aanzienlijk verbetert.
Dit artikel introduceert Gabor-primitieven voor versnelde reconstructie van cardiale cine-MRI, die door het moduleren van Gaussische enveloppen met complexe exponentiële functies en het ontleden van spatiotemporele redundantie, een compacte en fysisch interpreteerbare representatie bieden die bestaande methoden zoals Compressed Sensing en Implicit Neural Representations overtreft.
Dit paper introduceert OWL, een nieuwe analytische methode voor 3D-perceptie tijdens beweging die schaalbare 3D-scèneherconstructie en camera-heading berekent uitsluitend op basis van visuele bewegingsinformatie, zonder voorafgaande kennis van de omgeving of beweging te vereisen.
Deze paper introduceert een nieuw pseudo-3D longitudinaal inpainting-framework voor hersen-MRI's op basis van 3D-regiebewuste diffusiemodellen, dat pathologische laesies effectief wegneemt terwijl het de anatomische continuïteit behoudt en aanzienlijk sneller en nauwkeuriger presteert dan bestaande methoden.
Het paper introduceert MultiHaystack, een nieuw benchmark met meer dan 46.000 multimodale documenten, afbeeldingen en video's om de prestaties van multimodale grote taalmodellen te evalueren bij het ophalen van relevante bewijsstukken uit grote verzamelingen en het redeneren daarover, waarbij blijkt dat de huidige modellen sterk presteren bij gegeven bewijs maar aanzienlijk falen bij het zelf vinden van dat bewijs.
Deze paper introduceert een interpreteerbaar framework voor audiovisuele geografische locatie dat een nieuw wereldwijd videobenchmark (AVG) combineert met een driedelige aanpak van perceptie, redenering en precisievoorspelling om de ambiguïteit van visuele landschappen te overwinnen door geluidssignalen effectief te benutten.
Het paper introduceert Any2Full, een efficiënt en robuust één-staps framework dat bestaande monokulaire dieptemodellen aanpast via schaalbewuste prompts om nauwkeurige en dichte dieptekaarten te genereren vanuit onvolledige metingen zonder de beperkingen van eerdere twee-staps methoden.
Deze paper introduceert een lichtgewicht en interpreteerbaar framework dat 2D- en 3D-DHoGM-kenmerken combineert voor het nauwkeurig detecteren van bewegingsartefacten in T1-gewogen hersen-MRI-scans, wat leidt tot een robuuste en computerefficiënte oplossing voor geautomatiseerde kwaliteitscontrole in zowel bekende als onbekende klinische settings.
Dit artikel introduceert een geautomatiseerd, mensvrij proces dat de ImageNet-trainingset omzet naar een meervoudige-labeldataset met behulp van zelftoezichtende Vision Transformers, wat leidt tot robuustere modelrepresentaties en aanzienlijke prestatieverbeteringen op diverse benchmarks.