Collaborative Learning of Local 3D Occupancy Prediction and Versatile Global Occupancy Mapping
本論文は、過去の走行データから得られるグローバルな占有マップを事前知識として活用し、局所的な 3D 占有予測の精度向上と大規模なグローバルマップの継続的更新を同時に実現するプラグアンドプレイ型フレームワーク「LMPOcc」を提案する。
👁️ Category
cs.CV
4208 件の論文
PhysLLM: Harnessing Large Language Models for Cross-Modal Remote Physiological Sensing
本論文は、大規模言語モデル（LLM）と rPPG 固有のコンポーネントを協調最適化する「PhysLLM」フレームワークを提案し、テキスト原型ガイダンスや双領域定常アルゴリズムを通じて照明変化やモーションアーティファクトに頑健な遠隔生理信号計測を実現し、複数のベンチマークデータセットで最先端の性能を達成したことを示しています。
ReactDance: Hierarchical Representation for High-Fidelity and Coherent Long-Form Reactive Dance Generation
本論文は、高忠実度かつ長期的な一貫性を持つリアクティブダンス生成を実現するため、細やかな空間表現を可能にする階層的有限スカラー量子化（HFSQ）と、効率的な長系列生成を可能にするブロック単位局所コンテキスト（BLC）戦略を備えた拡散モデル「ReactDance」を提案するものです。
RESAR-BEV: An Explainable Progressive Residual Autoregressive Approach for Camera-Radar Fusion in BEV Segmentation
本論文は、カメラとレーダーの融合を用いた鳥瞰図セグメンテーションにおいて、段階的な残差自己回帰学習と双経路ボクセル特徴符号化を組み合わせることで、高精度かつリアルタイムな環境認識を実現する「RESAR-BEV」という説明可能なフレームワークを提案し、nuScenes ベンチマークで最先端の性能を達成したことを報告しています。
DHECA-SuperGaze: Dual Head-Eye Cross-Attention and Super-Resolution for Unconstrained Gaze Estimation
本論文は、超解像技術と双方向の頭部・視線相互注意メカニズム（DHECA）を導入し、Gaze360 データセットの注釈誤りを修正することで、制約のない環境における視線推定の精度と汎用性を大幅に向上させた DHECA-SuperGaze を提案しています。
OSPO: Object-Centric Self-Improving Preference Optimization for Text-to-Image Generation
本論文は、外部データやモデルに依存せず、アテンションベースのオブジェクトマスクとオブジェクト重み付き SimPO 損失を活用してオブジェクトレベルのテキスト - 画像整合性を強化し、物体の幻覚を削減する自己改善型ファインチューニング手法「OSPO」を提案し、その有効性を示したものである。
EDITOR: Effective and Interpretable Prompt Inversion for Text-to-Image Diffusion Models
本論文は、事前学習された画像キャプションモデルによる埋め込みの初期化、潜在空間における逆方向の微調整、および埋め込みからテキストへの変換を組み合わせた「EDITOR」と呼ばれる手法を提案し、既存の手法を上回る画像類似性、テキスト整合性、解釈可能性、汎用性を達成するとともに、クロスコンセプト合成やセグメンテーションなど多様な応用を実現するものです。
HypeVPR: Exploring Hyperbolic Space for Perspective to Equirectangular Visual Place Recognition
本論文は、双曲空間の階層的性質を活用してパノラマ画像と視点画像の間の視覚的場所認識を効率的かつ高精度に行うための新しいフレームワーク「HypeVPR」を提案し、検索速度の向上とデータベースストレージの削減を実現しています。
FLAIR-HUB: Large-scale Multimodal Dataset for Land Cover and Crop Mapping
フランス国立地理林業情報局（IGN）は、多様な地球観測データと 20cm 解像度の注釈を統合した大規模なマルチモーダルデータセット「FLAIR-HUB」を公開し、土地被覆および作物マッピングにおける多モーダル融合と深層学習モデルの性能を評価しました。
HSG-12M: A Large-Scale Benchmark of Spatial Multigraphs from the Energy Spectra of Non-Hermitian Crystals
非エルミート結晶のエネルギー準位から自動抽出された 1160 万枚の空間多重グラフを含む大規模データセット「HSG-12M」を提案し、既存のグラフベンチマークが見過ごしていた幾何学的情報の重要性を浮き彫りにするとともに、物性物理学におけるデータ駆動型発見と幾何学意識型グラフ学習の新たな基盤を確立しました。
InterActHuman: Multi-Concept Human Animation with Layout-Aligned Audio Conditions
この論文は、複数の人物や物体が同一の動画内で相互作用するシナリオに対応するため、各アイデンティティの空間的・時間的領域にテキスト、画像、音声などのマルチモーダル条件を厳密に紐付ける新しいフレームワーク「InterActHuman」を提案し、高品質な多概念人間アニメーション生成を実現するものです。
AutoV: Loss-Oriented Ranking for Visual Prompt Retrieval in LVLMs
本論文は、大規模視覚言語モデルの性能向上を目的として、手動注釈なしで損失に基づいて最適な視覚プロンプトを自動的に検索・選択する軽量フレームワーク「AutoV」を提案し、多様なタスクで顕著な性能向上を実現したことを報告しています。
Traceable Evidence Enhanced Visual Grounded Reasoning: Evaluation and Methodology
本論文は、複雑な視覚的推論を包括的に評価する新たなベンチマーク「TreeBench」を提案し、その課題を克服するために強化学習を用いて局所化と推論を同時に監督するトレーニング手法「TreeVGR」を開発し、最先端モデルの性能向上を実証しています。
Graph-Based Multi-Modal Light-weight Network for Adaptive Brain Tumor Segmentation
本論文は、脳腫瘍セグメンテーションの高精度かつ軽量な実装を可能にするため、モダリティ適応型エンコーダ、グラフに基づく多モーダル協調相互作用モジュール、およびボクセル再細化アップサンプリングモジュールを組み合わせた「GMLN-BTS」という新しいネットワークを提案し、主要な 3D トランスフォーマーと比べてパラメータ数を 98% 削減しつつ最先端の性能を達成したことを示しています。
Elucidating the Design Space of Arbitrary-Noise-Based Diffusion Models
本論文は、任意のノイズパターンを扱えるよう拡散モデルの設計空間を拡張し、画像復元タスクにおけるノイズの複雑化による計算コスト増大を防ぐ新たな理論的枠組み「EDA」を提案し、医療画像および自然画像の多様な復元タスクにおいて高い汎用性と性能を実証したものである。
SAMPO-Path: Segmentation Intent-Aligned Preference Optimization for Pathology Foundation Model Segmentation
本論文は、組織病理画像における高細胞密度や異質性、そして臨床的な分割意図とピクセルレベルの教師信号の乖離といった課題に対処するため、視覚基盤モデルに初めて直接選好最適化（DPO）を適用し、多様なノイズを含むプロンプトから正確な分割を可能にする「SAMPO」という新たなファインチューニングフレームワークを提案するものです。
Optimizing Multi-Modality Trackers via Significance-Regularized Tuning
この論文は、事前学習済みモデルの一般化能力と適応性のバランスを最適化するために、パラメータの重要度を統合正則化として組み込んだ新規フレームワーク「SRTrack」を提案し、多モーダル追跡タスクにおいて最先端の性能を達成したことを報告しています。
Quadrotor Navigation using Reinforcement Learning with Privileged Information
この論文は、大規模な障害物回避を可能にするために特権情報（到達時間マップ）と新しい損失関数を活用した強化学習ベースの四旋回飛行ロボットナビゲーション手法を提案し、シミュレーションおよび屋外実機実験において高い成功率と安全性を実証したものである。
Distant Object Localisation from Noisy Image Segmentation Sequences
本論文は、計算リソースが限られた遠隔物体の局所化問題に対し、マルチビュー三角測量や粒子フィルタを用いた手法を提案し、ドローンによる画像セグメンテーションと GNSS 位置情報からなるノイズの多い画像系列を用いたシミュレーションおよび実証実験により、山火事監視などの安全クリティカルなタスクへの信頼性ある適用可能性を示したものである。
BridgeDrive: Diffusion Bridge Policy for Closed-Loop Trajectory Planning in Autonomous Driving
本論文は、拡散モデルの理論的整合性を保ちつつ粗いアンカー軌道から文脈を考慮した高品質な計画を生成する「BridgeDrive」という新しい拡散ブリッジ方策を提案し、自律運転の閉ループ計画タスクにおいて最先端の性能を達成したことを報告しています。