Explainable Continuous-Time Mask Refinement with Local Self-Similarity Priors for Medical Image Segmentation
本論文は、局所自己相似性事前知識と連続時間神経力学を統合した「LSS-LTCNet」という説明可能なフレームワークを提案し、足潰瘍の画像セグメンテーションにおいて、境界の精度と計算効率を大幅に向上させると同時に、医療診断における透明性を確保するものである。
👁️ Category
cs.CV
5830 件の論文
ReMoT: Reinforcement Learning with Motion Contrast Triplets
本論文は、VLM の空間的・時間的一貫性の欠如を解決するため、大規模な運動対照データセット「ReMoT-16K」とグループ相対方策最適化（GRPO）を統合した新しい学習パラダイム「ReMoT」を提案し、空間・時間推論タスクで 25.1% の性能向上を達成したことを報告しています。
OPGAgent: An Agent for Auditable Dental Panoramic X-ray Interpretation
本論文は、歯科用パノラマ X 線画像（OPG）の解釈において、階層的証拠収集、専門ツール群、および合意形成メカニズムを統合した監査可能なエージェント「OPGAgent」と、その評価基準となる「OPG-Bench」を提案し、既存の視覚言語モデルや医療エージェントフレームワークを上回る性能を実証したものである。
DreamWorld: Unified World Modeling in Video Generation
既存の動画生成モデルが抱える世界理解の欠如を解消するため、物理常識や時空間的一貫性などの多様な世界知識を統合的に学習する「DreamWorld」フレームワークを提案し、訓練中の安定性を高める「一貫性制約アニール」と推論時の「多ソース内側ガイダンス」を導入することで、Wan2.1 を上回る世界の一貫性を達成した。
High Dynamic Range Imaging Based on an Asymmetric Event-SVE Camera System
本論文は、非対称なイベントカメラと空間可変露光（SVE）センサーをハードウェアとアルゴリズムの両面から統合し、非共軸幾何学や異種光学系を克服する2段階のクロスモーダル整合フレームワークと再構成ネットワークを開発することで、極端な照明環境下での高ダイナミックレンジ（HDR）画像の輝点回復、エッジ忠実度、および頑健性を大幅に向上させるシステムを提案しています。
Benchmarking Few-shot Transferability of Pre-trained Models with Improved Evaluation Protocols
本論文は、データ不足環境における検証セットの過信を解消する新しい評価プロトコル「HPE」を採用した包括的なベンチマーク「FEWTRANS」を提案し、複雑な転移学習手法よりも単純な全パラメータ微調整が優位であることを実証するとともに、その成功メカニズムを解明した。
U-VLM: Hierarchical Vision Language Modeling for Report Generation
本論文は、セグメンテーション事前学習済みエンコーダの活用と多層ビジュアル注入を特徴とする階層的ビジョン・ランゲージモデル「U-VLM」を提案し、大規模な事前学習言語モデルに依存せずとも、3D 医療画像からの放射線報告生成において最先端の性能を達成することを示しています。
Analyzing Physical Adversarial Example Threats to Machine Learning in Election Systems
本論文は、機械学習を用いた米国選挙システムにおいて、デジタル空間と物理空間（印刷・スキャン）で有効な敵対的サンプル攻撃の種類が異なることを実証し、選挙結果を転覆させるために必要な敵対的投票用紙の数を確率的に評価する枠組みを提示しています。
TokenCom: Vision-Language Model for Multimodal and Multitask Token Communications
本論文は、高解像度と低解像度の画像を処理するデュアル視覚トークナイザー、バイラテラル注意ネットワーク、そして KAN ベースのモダリティプロジェクターを導入することで、視覚言語モデルのトークン粒度やアライメントの課題を解決し、マルチモーダルかつマルチタスクなトークン通信システムの性能を飛躍的に向上させた「TaiChi」という新フレームワークを提案しています。
RAISE: Requirement-Adaptive Evolutionary Refinement for Training-Free Text-to-Image Alignment
RAISE は、複雑なプロンプトに対する画像生成の整合性を高めるため、プロンプトの書き換えやノイズ再サンプリングなどの多様なリファインメント行動を用いて推論時に候補を進化させ、要件の達成状況に応じて計算リソースを動的に配分するトレーニング不要の適応的フレームワークを提案するものである。
Random Wins All: Rethinking Grouping Strategies for Vision Tokens
本論文は、Vision Transformer におけるトークングループ化戦略について、複雑に設計された手法ではなく、単なるランダムなグループ化の方が位置情報や多様性などの条件を満たす限り、より高性能かつ汎用的であることを示し、その有効性を視覚、点群、視覚言語モデルなど多様なタスクで実証しています。
ArtiFixer: Enhancing and Extending 3D Reconstruction with Auto-Regressive Diffusion Models
本論文は、既存の観測と整合性を保ちつつ未観測領域を拡張する双方向生成モデルを、一貫性のある数百フレームを単一パスで生成する自己回帰モデルに蒸留する二段階パイプライン「ArtiFixer」を提案し、3D 再構築の品質とスケーラビリティを大幅に向上させることを示しています。
COG: Confidence-aware Optimal Geometric Correspondence for Unsupervised Single-reference Novel Object Pose Estimation
本論文は、オクルージョンや視点変化、外れ値に頑健な 6 自由度姿勢推定を実現するため、点ごとの信頼度をオプティマルトランスポートの周辺分布として注入し、視覚基盤モデルのセマンティック事前知識を活用して教師なし学習を可能にする「COG（信頼度感知型最適幾何対応）」を提案するものである。
M: Dual-Memory Augmentation for Long-Horizon Web Agents via Trajectory Summarization and Insight Retrieval
本論文は、長期的な Web タスクにおける推論能力と計算効率の課題を解決するため、動的な軌道要約と外部インサイト検索を組み合わせたトレーニング不要の双層メモリ機構「M」を提案し、複数のベンチマークで既存手法を上回る性能向上とトークン削減を実現したことを報告しています。
Hierarchical Classification for Improved Histopathology Image Analysis
本論文は、病理画像の階層的な関係を考慮し、双方向特徴統合と専用の損失関数を導入した階層分類フレームワーク「HiClass」を提案することで、胃生検画像の粗粒度・細粒度両方の分類性能を向上させたことを示しています。
What Do Visual Tokens Really Encode? Uncovering Sparsity and Redundancy in Multimodal Large Language Models
本論文は、マルチモーダル大規模言語モデルにおける視覚トークンの分析手法「EmbedLens」を提案し、入力段階で画像固有の意味を担う「生トークン」のみが重要であり、内部視覚計算の大半は冗長であることを明らかにすることで、トークン剪定や中層への直接注入による効率的なモデル設計の指針を示しています。
Multimodal Adaptive Retrieval Augmented Generation through Internal Representation Learning
本論文は、視覚的質問応答におけるハルシネーションを軽減するため、モデル内部の知識への信頼度を動的に評価して外部情報の利用を制御する「MMA-RAG」という新しいマルチモーダル適応型 RAG 手法を提案し、複数のデータセットで性能向上を実証したものである。
MLLM-4D: Towards Visual-based Spatial-Temporal Intelligence
本論文は、既存のステレオ動画データを活用した大規模な学習データ構築と、アーキテクチャ変更なしに GRPO と時空推論チェーン（ST-CoT）を組み合わせた効率的な後学習戦略により、純粋な 2D 画像入力から 4 次元時空の理解と推論を可能にする MLLM-4D を提案し、最先端の性能を達成したことを示しています。
Vision-TTT: Efficient and Expressive Visual Representation Learning with Test-Time Training
この論文は、従来の Vision Transformer が抱える二次的な計算量の問題を解決し、自己教師あり学習によるトークン圧縮や双方向スキャン戦略を導入することで、ImageNet 分類で高い精度を維持しつつ、DeiT-T と比較して計算量やメモリ使用量を大幅に削減した新しい効率的かつ表現力豊かな視覚表現学習モデル「Vision-TTT」を提案するものです。
Jano: Adaptive Diffusion Generation with Early-stage Convergence Awareness
この論文は、拡散過程における領域ごとの収束パターンの不均一性を活用し、学習不要の適応的トークンスケジューリングにより生成品質を維持しつつ最大 2.4 倍の高速化を実現するフレームワーク「Jano」を提案するものです。