2789 papers
Dit paper introduceert Prompt-SID, een zelftoezichtend framework voor het verwijderen van ruis uit een enkele afbeelding dat structurele details behoudt door middel van een prompt-leringsbenadering met latent diffusion en een transformer-architectuur.
Het artikel introduceert LaVCa, een data-gedreven methode die grote taalmodellen gebruikt om gedetailleerde natuurlijke taalbeschrijvingen te genereren voor de selectiviteit van neurale populaties in de visuele cortex, waarmee de beperkingen van bestaande diepe-neurale-netwerkmodellen worden overwonnen en fijnmazigere inzichten in menselijke visuele representaties worden verkregen.
Dit onderzoek presenteert een hoogpresterend algoritme dat T1-, T2-, T1ce- en FLAIR-MRI-beelden fuseert via UNET-segmentatie en ResNet50-classificatie om gliomen met een nauwkeurigheid van 99,25% te onderscheiden in subklassen zoals necrotische kern, oedeem en versterkende tumor.
Dit paper introduceert LOOP, een nieuwe versterkingsleermethode voor het fijnafstemmen van tekst-naar-beeld diffusiemodellen die de steekproefefficiëntie en stabiliteit van PPO combineert met de variansiereductietechnieken van REINFORCE om een betere balans tussen efficiëntie en prestaties te bereiken.
Deze studie introduceert een schaalbaar en robuust transformer-model op tetraëdrische meshes met anatomische landmarks, dat de diagnose van de ziekte van Alzheimer en de voorspelling van amyloïde positiviteit bij personen met een gemiddeld risico verbetert zonder dure PET-scans.
Het artikel introduceert Snapmoji, een systeem dat met behulp van een nieuwe techniek genaamd Gaussian Domain Adaptation (GDA) direct aanpasbare 3D-avataars genereert die in een dubbele stijl worden gestileerd en op mobiele apparaten soepel kunnen worden geanimeerd.
Dit paper introduceert SceneEval, een evaluatiekader met fijnmazige metrics voor expliciete en impliciete eisen, en het bijbehorende SceneEval-500-benchmarks om de semantische coherentie en plausibiliteit van door tekst gestuurde 3D-interieurgeneratie systematisch te beoordelen.
Deze paper introduceert een methode om de discriminatieve kracht van backward-compatible learning te verbeteren door de strikte aligneringsbeperkingen te versoepelen via het introduceren van perturbaties in de oude feature-prototypen, wat leidt tot twee nieuwe benaderingen (NDPP en ODPP) die superieure resultaten behalen op bestaande benchmarks.
Dit artikel introduceert een nieuwe methode voor het reconstrueren van twee handen uit één afbeelding die heterogene 2D-priors verenigt en een penetratievrije diffusiemodel gebruikt om nauwkeurige, fysiek plausibele interacties te genereren, zelfs bij ernstige occlusie.
Deze paper introduceert een nieuw model voor het completeren van objecten in een scène dat scene-constraints integreert via cross-attention, en presenteert het nieuwe ScanWCF-dataset om de kwaliteit en plausibiliteit van dergelijke completering te verbeteren.
Deze paper introduceert LEL, een nieuw ensemble-leerframework dat Lipschitz-continuïteitsbeperkingen toepast op Transformer-mechanismen om de stabiliteit, nauwkeurigheid en robuustheid van EEG-gebaseerde emotieherkenning binnen individuele gebruikers te verbeteren.
Dit artikel introduceert O-VIB, een taakgerichte semantische compressiemethode die geïnspireerd is op de ruimtelijke cognitie van zoogdieren en gebruikmaakt van orthogonale variatie-informatie-flessenhals-codering om visuele lokalisatie in GPS-beperkte stedelijke omgevingen te optimaliseren onder strikte bandbreedte- en rekenkrachtwensen.
Deze paper introduceert DeepSparse, het eerste fundamentele model voor de reconstructie van CBCT-beelden met een beperkt aantal projecties, dat door middel van een innovatief DiCE-netwerk en een HyViP-pretraining-stra-tegie een betere beeldkwaliteit biedt met minder stralingsblootstelling dan bestaande methoden.
Dit paper introduceert M³CAD, een uitgebreid benchmark met multimodale data van meerdere voertuigen om onderzoek naar generieke, coöperatieve autonoom rijden te bevorderen, inclusief een nieuwe adaptieve fusiemethode die communicatie-efficiëntie en waarnemingsnauwkeurigheid in evenwicht brengt.
Dit paper introduceert FoldNet, een framework dat een synthetische dataset en de KG-DAgger-techniek gebruikt om een robuuste, gesloten-lus beleidsstrategie te leren voor het automatisch vouwen van kledingstukken door robots, wat resulteert in een succespercentage van 75% in de echte wereld.
MTVCraft introduceert het eerste framework dat ruwe 3D-motiesequenties (4D-beweging) direct modelleert via een nieuwe tokenisatie-methode en een bewegingsbewust Video DiT, waardoor er robuustere, flexibele en schaalbare karakteranimatie mogelijk is met ongeëvenaarde zero-shot generalisatie voor willekeurige personages en objecten.
Deze paper introduceert een unificerend deep meta-learning-framework dat een convergentiebewezen optimalisatiealgoritme uitrolt naar een neurale architectuur voor versnelde MRI-reconstructie, waardoor zowel multi-spoelherstel als cross-modale synthese effectief worden aangepast aan verschillende steekproefpatronen en modale combinaties.
Dit paper introduceert EgoDex, het grootste en meest diverse dataset tot nu toe van dexterous manipulatie met 829 uur egocentrisch video en gepaarde 3D-handtracking, verzameld met Apple Vision Pro om imitatieleer voor robotica en computerzicht te bevorderen.
Dit paper introduceert Vid2World, een methode die voorgeöefende videodiffusiemodellen omvormt tot interactieve wereldmodellen door causaliteit en causale actiesturing te integreren, waardoor deze modellen schaalbaar en effectief kunnen worden ingezet voor complexe besluitvormingstaken zoals robotbesturing en navigatie.
Dit paper introduceert een revolutionair 'solver-in-the-loop'-kader dat een voorgetrainde 3D-generatieve prior koppelt aan een strikt fysische randintegraalvergelijking-oplosser om complexe 3D-interfaces in elektrische impedantietomografie nauwkeurig en data-efficiënt te reconstrueren zonder de fysische consistentie te compromitteren.