Forschungsbeiträge zur WACV2025 angenommen!
Wir freuen uns sehr, bekannt geben zu können, dass zwei unserer Forschungsarbeiten für die IEEE/CVF Winter Conference on Applications of Computer Vision (WACV 2025) angenommen wurden! Die WACV ist eine internationale Veranstaltung, die Spitzenforschung im Bereich Computer Vision präsentiert und eine einzigartige Plattform für Studenten, Akademiker und Industrieforscher bietet. Wir fühlen uns geehrt, unsere Arbeit zwischen dem 1. und 3. März 2025 inmitten einiger der klügsten Köpfe auf diesem Gebiet zu präsentieren. Weitere Informationen finden Sie auf der offiziellen Seite der WACV 2025 . Die angenommenen Beiträge unserer Gruppe und ihre Kurzbeschreibungen sind im Folgenden aufgeführt:
Quercia, Alessio, Erenus Yildiz, Zhuo Cao, Kai Krajsek, Abigail Morrison, Ira Assent, and Hanno Scharr. "Enhancing Monocular Depth Estimation with Multi-Source Auxiliary Tasks." In Winter Conference on Applications of Computer Vision, WACV. 2025.
Die monokulare Tiefenschätzung (MDE) ist eine anspruchsvolle Aufgabe in der Computer Vision, die oft durch die Kosten und den Mangel an qualitativ hochwertigen markierten Datensätzen behindert wird. Wir gehen diese Herausforderung an, indem wir Hilfsdatensätze aus verwandten Bildverarbeitungsaufgaben für ein alternierendes Trainingsschema mit einem gemeinsamen Decoder verwenden, der auf einem vortrainierten Bildverarbeitungsgrundmodell aufbaut, während wir der MDE ein höheres Gewicht geben. Durch umfangreiche Experimente zeigen wir die Vorteile der Einbeziehung verschiedener bereichsinterner Hilfsdatensätze und -aufgaben, um die MDE-Qualität im Durchschnitt um ~11% zu verbessern, und dass Hilfsaufgaben unterschiedliche Auswirkungen haben. Bemerkenswerterweise zeigt unsere Studie, dass die Verwendung semantischer Segmentierungsdatensätze als Multi-Label Dense Classification (MLDC) oft zu zusätzlichen Qualitätsgewinnen führt. Schließlich verbessert unsere Methode die Dateneffizienz für die betrachteten MDE-Datensätze erheblich, indem sie ihre Qualität verbessert und gleichzeitig ihre Größe um mindestens 80 % reduziert.
Arya Bangun, Zhuo Cao, Alessio Quercia, Hanno Scharr, and Elisabeth Pfaehler. "MRI Reconstruction with Regularized 3D Diffusion Model (R3DM)." In Winter Conference on Applications of Computer Vision, WACV. 2025.
Die Magnetresonanztomographie (MRT) wird häufig zur Visualisierung interner Strukturen eingesetzt, erfordert jedoch schnellere 3D-Rekonstruktionsalgorithmen für unterabgetastete Daten. Wir schlagen eine 3D-MRT-Rekonstruktionsmethode vor, die ein regularisiertes 3D-Diffusionsmodell mit Optimierungstechniken kombiniert, um diesen Bedarf zu decken. Durch die Verwendung diffusionsbasierter Prioritäten verbessert unser Ansatz die Bildqualität, reduziert das Rauschen und verbessert die Genauigkeit. Umfassende Experimente an klinischen und pflanzenwissenschaftlichen MRT-Datensätzen validieren die Leistung des Verfahrens bei verschiedenen Unterabtastungsmustern und Datenverteilungen.
Bleiben Sie dran und erfahren Sie mehr über unsere Präsentationen auf der WACV 2025!