Mono4DGS-HDR: High Dynamic Range 4D Gaussian Splatting from Alternating-exposure Monocular Videos
本論文は、露出が切り替わる単眼動画からカメラ姿勢を不要とした 2 段階最適化アプローチにより、初めて可視化可能な 4 次元 HDR シーンを再構成する「Mono4DGS-HDR」を提案し、既存手法を凌駕する画質と速度を実現したことを報告しています。
👁️ Category
cs.CV
6393 件の論文
LightMem: Lightweight and Efficient Memory-Augmented Generation
Atkinson-Shiffrin の人間の記憶モデルに着想を得た LightMem は、感覚記憶・短期記憶・長期記憶の 3 段階構造とオフライン更新を導入することで、LLM の対話履歴活用における性能を向上させつつ、トークン数や API 呼び出しを大幅に削減する軽量かつ効率的なメモリシステムを実現します。
BioCAP: Exploiting Synthetic Captions Beyond Labels in Biological Foundation Models
本論文は、Wikipedia や分類群に特化したフォーマット例を用いた多モーダル大規模言語モデルによる合成説明文を生成し、生物画像とテキストの対照学習を通じて種分類や検索タスクの性能を向上させる生物基礎モデル「BioCAP」を提案しています。
VoMP: Predicting Volumetric Mechanical Property Fields
VoMP は、3D オブジェクトの体積全体にわたってヤング率、ポアソン比、密度などの機械的特性を予測する新しいフードフォワード手法であり、物理的に妥当な材料多様体上で学習されたジオメトリ・トランスフォーマーと、視覚言語モデルを活用した新しいアノテーションパイプラインにより、従来手法を大幅に上回る精度と速度を実現します。
Concerto: Joint 2D-3D Self-Supervised Learning Emerges Spatial Representations
この論文は、人間の多感覚統合の概念に着想を得て、2D と 3D の自己教師あり学習を組み合わせる「Concerto」を提案し、これにより単独のモデルや既存の手法を凌駕する優れた空間表現を学習し、3D シーン理解やオープンワールド知覚において最先端の結果を達成したことを示しています。
Routing Matters in MoE: Scaling Diffusion Transformers with Explicit Routing Guidance
本論文は、視覚トークンの空間的冗長性と機能的異質性という課題に対処するため、条件付きルーティングとプロトタイプに基づくセマンティックなルーティングを組み合わせた明示的ガイダンスを備えた二段階ルーター「ProMoE」を提案し、ImageNet における最先端の拡散トランスフォーマーモデルの性能を向上させることを示しています。
Brain-IT: Image Reconstruction from fMRI via Brain-Interaction Transformer
本論文は、機能的に類似した脳ボクセルのクラスタ間での相互作用を可能にする「Brain-Interaction Transformer」を採用し、限られた fMRI データから既存の最先端手法を上回る忠実度で画像を再構成する「Brain-IT」を提案しています。
See the Speaker: Crafting High-Resolution Talking Faces from Speech with Prior Guidance and Region Refinement
この論文は、音声のみから統計的な顔の事前知識や領域強化モジュール、およびトランスフォーマーベースの離散コードブックを活用して、高解像度かつ高品質な話者動画を生成する新規手法を提案し、既存の手法を上回る性能を実証したものです。
ThinkMorph: Emergent Properties in Multimodal Interleaved Chain-of-Thought Reasoning
本論文は、言語と視覚を補完的に活用する「思考の連鎖」を学習させることで、視覚タスクにおいて大幅な性能向上と未習の視覚操作能力などの創発的知能を実現する統合モデル「ThinkMorph」を提案しています。
Revisiting Data Scaling in Medical Image Segmentation via Topology-Aware Augmentation
本論文は、医療画像セグメンテーションの性能がデータ量に対してべき乗則に従いつつも解剖学的構造に起因する誤差の下限が存在することを示し、トポロジーを考慮した拡張手法がその下限を低下させてデータ効率を向上させることを実証しています。
VeCoR -- Velocity Contrastive Regularization for Flow Matching
Flow Matching の安定性と生成品質、特に低ステップ数や軽量設定における性能向上を目指し、予測ベクトル場を安定な目標方向に引き寄せると同時にデータ多様体から外れた方向に斥くことで双方向の指導を行う「Velocity Contrastive Regularization (VeCoR)」を提案する研究です。
UltraViCo: Breaking Extrapolation Limits in Video Diffusion Transformers
本論文は、動画拡散トランスフォーマーの学習長を超えた外挿における品質劣化と周期性の反復という 2 つの失敗モードが、位置符号に起因するアテンションの分散に統一的に起因することを発見し、学習不要なプラグイン手法「UltraViCo」を提案することで、外挿限界を 2 倍から 4 倍に引き上げ、既存手法を大幅に凌駕する性能を実現した。
ReSAM: Refine, Requery, and Reinforce: Self-Prompting Point-Supervised Segmentation for Remote Sensing Images
本論文は、リモートセンシング画像におけるドメインシフトとアノテーション不足の問題を解決するため、点注釈のみを用いて「精緻化・再照会・強化」のループにより SAM を適応させる自己プロンプトフレームワーク「ReSAM」を提案し、複数のベンチマークで既存手法を上回る性能を実証したものである。
InnoGym: Benchmarking the Innovation Potential of AI Agents
本論文は、AI エージェントの解決策の正しさだけでなくアプローチの独自性も評価する初のベンチマーク「InnoGym」を提案し、創造性と実用性の間に存在するギャップを明らかにしています。
AdaptVision: Efficient Vision-Language Models via Adaptive Visual Acquisition
この論文は、人間の能動的視覚に着想を得て、低解像度の画像から必要な領域を動的に選択して追加情報を取得する強化学習ベースの新しい視覚言語モデル「AdaptVision」を提案し、既存の手法よりも少ない視覚トークンで高い精度を達成することを示しています。
Fourier-Attentive Representation Learning: A Fourier-Guided Framework for Few-Shot Generalization in Vision-Language Models
本論文は、画像の構造的特徴（位相スペクトル）とスタイル特徴（振幅スペクトル）をフーリエ解析を用いて明示的に分離し、双方向のクロスアテンション機構を通じて視覚言語モデルに注入することで、少数ショット汎化性能を向上させる「Fourier-Attentive Representation Learning (FARL)」という新たなフレームワークを提案しています。
Near--Real-Time Conflict-Related Fire Detection in Sudan Using Unsupervised Deep Learning
本論文は、スーダンの紛争地域における火災を近リアルタイムで検出するため、4 バンドの Planet Labs 衛星画像を用いた軽量な教師なし深層学習モデル（VAE）を開発し、既存の手法よりも高い精度と再現率で 24〜30 時間以内に被害範囲を特定できることを実証したものである。
Family Matters: A Systematic Study of Spatial vs. Frequency Masking for Continual Test-Time Adaptation
本論文は、継続的テスト時適応（CTTA）において、既存研究が固定化してきたマスキングの「家族（空間的か周波数的か）」を体系的に評価し、トランスフォーマーアーキテクチャでは空間的マスキングが安定性を保つ一方、CNN や微細なタスクでは周波数マスキングが有効となるなど、アーキテクチャとタスクの整合性に応じた最適なマスキング戦略を明らかにした。
Brain-Semantoks: Learning Semantic Tokens of Brain Dynamics with a Self-Distilled Foundation Model
本論文は、脳機能ネットワークを構成するノイズの多い fMRI 信号を堅牢な意味トークンに集約し、自己蒸留と学習カリキュラムを用いて安定した抽象表現を学習する自己教師ありフレームワーク「Brain-Semantoks」を提案し、これにより少量のラベル付きデータやドメイン適応なしでも多様な下流タスクで高い性能を発揮できることを示しています。
-CLIP: Text-Conditioned Contrastive Learning for Multi-Granular Vision-Language Alignment
この論文は、画像とテキストの多段階的な粒度（文やフレーズなど）を階層的に整合させるために、動的なプーリングと新しい対照損失関数（β-CAL）を導入した新しいフレームワーク「β-CLIP」を提案し、ハードネガティブなしで学習する手法の中で最先端の密な視覚言語対応を実現したことを示しています。