90 papers
Deze paper presenteert een nieuwe beeldcompressietechniek voor onderwaterrobots die gebruikmaakt van gesynthetiseerde nieuwe weergaven en gradiëntafstijging om de beperkte bandbreedte van akoestische communicatie te overwinnen, wat resulteert in superieure compressie en beeldkwaliteit.
Deze paper presenteert een nieuw semantisch communicatiesysteem dat de transmissie-efficiëntie op MIMO Rayleigh-kanalen optimaliseert door een adaptieve, entropie- en kanaalbewuste rate control te combineren met MLLM-gestuurde compensatie van geselecteerde features via LoRA-finetuning.
Dit paper introduceert LiM-YOLO, een gestroomlijnde objectdetector die de prestaties van scheepsdetectie in optische satellietbeelden verbetert door een verschuiving van de piramide-niveaus (van P3-P5 naar P2-P4) en het gebruik van genormaliseerde hulpvertakkingen, waardoor een betere balans tussen nauwkeurigheid en efficiëntie wordt bereikt.
Dit artikel introduceert een kwantumnatief kader voor beeldmatching op neutrale-atoomanaloge quantumcomputers dat klassieke randdetectie en de Ramer-Douglas-Peucker-algoritme gebruikt om afbeeldingen te vertalen naar een 'Sparse-Dots'-atoomconfiguratie, waarna een uniek kwantumvingerafdruk op basis van de statische structuurfactor en twee-site correlaties wordt gegenereerd om beeldherkenning en machine learning met minimale atoomaantallen mogelijk te maken.
Dit artikel introduceert CoPeDiT, een generatief model dat zelfstandig het ontbrekende deel van 3D MRI-scans waarneemt om zo robuuste en semantisch consistente synthese mogelijk te maken zonder externe handmatige instructies.
Dit artikel introduceert een robuust tweestapskader voor het voorspellen van bosbranden onder onvolledige waarnemingsomstandigheden, waarbij corrupte satellietbeelden eerst worden gereconstrueerd via conditionele inpainting voordat een spatiotemporale voorspellingsnetwerk wordt toegepast, wat de voorspellingsnauwkeurigheid aanzienlijk verbetert en de kloof tussen trainings- en bedrijfsdata overbrugt.
Deze paper introduceert M2Diff, een multi-modale en multi-taak diffusion-model dat MRI- en laag-dosis PET-scans afzonderlijk verwerkt om via hiërarchische fusie hoogwaardige standaard-dosis PET-beelden te reconstrueren, wat de beeldkwaliteit verbetert zonder extra stralingsblootstelling.
Dit artikel introduceert DFPF-Net, een nieuw diep leermodel voor veranderingdetectie in remote sensing dat een pyramid vision transformer en een dynamisch focusmodule combineert om zowel globale als lokale ruis effectief te verminderen en zo de nauwkeurigheid van veranderingdetectie te verbeteren.
MetaSpectra+ is een compacte, multifunctionele camera die met één opname zowel een hyperspectrale datacube als een HDR-afbeelding of twee gepolariseerde kanalen kan reconstrueren over het volledige zichtbare spectrum, dankzij een innovatieve metaoppervlakte-refractieve opstelling die de beperkingen van eerdere smalle-band-systemen overwint.
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.
De studie toont aan dat een progressieve toename van radiologisch vastgestelde pleuroparenchymale fibroelastose (PPFE) in twee grote longkankerscreeningscohorten onafhankelijk geassocieerd is met een verhoogde sterfte en nadelige klinische uitkomsten.
Het paper introduceert KV-Lock, een trainingsvrije methode voor video-editing die dynamisch de achtergrondvastlegging en de conditionele geleiding aanpast op basis van hallucinatie-detectie om achtergrondconsistentie en voorgrondkwaliteit te optimaliseren in DiT-gebaseerde videodiffusiemodellen.
Dit paper introduceert -Occ, een robuust framework voor 3D semantische bezettingsvoorspelling dat onvolledige meercamera-invoer verwerkt door het herstel van ontbrekende weergaven en het gebruik van een geheugenmodule voor semantische consistentie, wat leidt tot aanzienlijk betere prestaties bij camera-uitval zonder in te leveren op volledige weergaven.
Dit artikel introduceert PanoAffordanceNet, een nieuw end-to-end framework en bijbehorend dataset (360-AGD) voor holistische affordance-grounding in 360°-interieurs, dat uitdagingen zoals geometrische vervorming en semantische dispersie aanpakt om de waarneming voor embodied agents te verbeteren.
Het artikel introduceert CycleULM, het eerste label-vrije deep learning-framework dat de prestaties en snelheid van ultrasone localisatiemicroscopie aanzienlijk verbetert door een fysica-gebaseerde vertaling tussen realiteit en simulatie mogelijk te maken zonder de noodzaak van gelabelde grondwaarheid.
Dit paper introduceert PiVOT, een nieuwe visuele prompting-methode voor generiek objecttracking die een voorgeïmplementerd fundamenteel model (CLIP) gebruikt om online visuele prompts te genereren en te verfijnen, waardoor het tracker-model beter in staat is om storende objecten te onderdrukken en de prestaties te verbeteren.
Dit artikel introduceert een probleemonafhankelijke MAP-gebaseerde geleide term-schatting voor diffusiemodellen die, door een vooraf getrainde score te combineren met een nieuwe geleide term, superieure resultaten behaalt bij inverse problemen zoals superresolutie en inpainting door beter de intrinsieke eigenschappen van de data vast te leggen.
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 onderzoek presenteert een diep leer-gebaseerde aanpak met UNet-, Inception- en ResNet-architecturen voor geautomatiseerde 2D- en 3D-segmentatie van gliomen op de BraTS-datasets, waarbij het ResNet-model met name uitstekende prestaties levert (tot 99,77% nauwkeurigheid en een Dice-score van 0,9888) en zo een evenwicht biedt tussen computationele efficiëntie en ruimtelijke precisie voor klinische toepassing.
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.