Scale Equivariance Regularization and Feature Lifting in High Dynamic Range Modulo Imaging
本論文は、自然画像の輪郭と人工的なラップ不連続性を区別し、高ダイナミックレンジのモジュロ画像を高精度に復元するために、露光変化に対するスケール共変正則化と、生モジュロ画像・包み込み差分・閉形式初期化を統合した特徴量リフティングを導入した学習ベースの復元フレームワークを提案するものである。
👁️ Category
cs.CV
8949 件の論文
Imagine a City: CityGenAgent for Procedural 3D City Generation
本論文は、自然言語による指示に基づき、構造的整合性と視覚的整合性を確保するための教師あり微調整と強化学習を段階的に適用する「CityGenAgent」というフレームワークを提案し、高品質で編集可能なプロシージャルな 3D 都市の自動生成を実現するものです。
Erase at the Core: Representation Unlearning for Machine Unlearning
この論文は、既存の機械的忘却手法が抱える「表面的な忘却（ロジットレベルでの忘却は達成されるが内部特徴表現は残存する）」という課題を解決するため、ネットワークの全階層にわたって忘却を強制するプラグイン型フレームワーク「Erase at the Core (EC)」を提案し、中間層における表現の類似性を大幅に低減しつつ保持データでの性能を維持することを示しています。
PixelRush: Ultra-Fast, Training-Free High-Resolution Image Generation via One-step Diffusion
本論文は、従来のトレーニング不要アプローチが抱える計算コストの課題を解決し、パッチベースの推論を低ステップ数で実行可能にする「PixelRush」を提案することで、4K 画像を約 20 秒で生成する超高速かつ高品質なテキスト画像生成フレームワークを実現したことを報告しています。
Beyond Ground: Map-Free LiDAR Relocalization for UAVs
本論文は、GNSS 信号が弱い環境での無人航空機（UAV）向けに、新しい特徴量抽出モジュールと座標不変な位置エンコーディングを導入して高精度な地図不要 LiDAR 再局所化を実現する「MAILS」フレームワークと、実飛行特性を反映した大規模データセットを提案するものである。
COOPERTRIM: Adaptive Data Selection for Uncertainty-Aware Cooperative Perception
本研究は、時間的連続性を活用して環境の動的変化を捉え、静的な情報を削減する適応型データ選択フレームワーク「COOPERTRIM」を提案し、自律走行の協調知覚において大幅な帯域幅削減を実現しながら精度を維持することを示しています。
Diff-Aid: Inference-time Adaptive Interaction Denoising for Rectified Text-to-Image Generation
本論文は、拡散モデルの推論時にトランスフォーマーブロックとノイズ除去の各段階に応じてテキストと画像の相互作用を適応的に調整する軽量プラグイン「Diff-Aid」を提案し、複雑なプロンプトへの追従性や視覚的品質の向上、および生成プロセスの解釈可能性を実現するものです。
SceneTok: A Compressed, Diffusable Token Space for 3D Scenes
SceneTok は、既存の 3D 表現とは異なり、多視点入力から空間グリッドに依存しない圧縮されたトークン列を生成し、これを用いて高品質な新規視点レンダリングや高速な 3D シーン生成を実現する新しいトークナイザー手法を提案するものです。
Multimodal Dataset Distillation Made Simple by Prototype-Guided Data Synthesis
本論文は、大規模な学習や最適化を不要とし、CLIP と unCLIP デコーダを活用してプロトタイプに基づく画像合成を行うことで、マルチモーダルデータ蒸留の効率性とアーキテクチャ間汎化能力を飛躍的に向上させる学習不要なフレームワークを提案しています。
One2Scene: Geometric Consistent Explorable 3D Scene Generation from a Single Image
One2Scene は、単一画像から没入型の探索可能な 3D 空間を生成するために、パノラマ生成、3D 幾何学的足場へのアップリフト、および新規視点生成という 3 つの段階的なタスクに問題を分解し、大規模なマルチビューデータセットで学習された幾何学的事前知識を活用して、既存の手法が抱える幾何学的歪みやノイズを克服する革新的なフレームワークです。
Test-Time Training with KV Binding Is Secretly Linear Attention
本論文は、テスト時トレーニング（TTT）における KV バインディングが単なる記憶メカニズムではなく、学習された線形アテンション演算子として再解釈できることを示し、これによりモデルの挙動を説明するだけでなく、アーキテクチャの簡素化や並列化による効率化を実現することを提案しています。
FedVG: Gradient-Guided Aggregation for Enhanced Federated Learning
FedVG は、グローバル検証セットを用いて各クライアントモデルの一般化能力を層ごとの勾配ノルムで評価し、データ異質性によるクライアントドリフトを抑制して連合学習の性能を向上させる新しい勾配誘導型集約フレームワークを提案するものです。
FlowFixer: Towards Detail-Preserving Subject-Driven Generation
FlowFixer は、スケールや視点の変化によって失われがちな細部を復元し、言語プロンプトの曖昧さを避けて視覚的参照から直接画像変換を行うことで、高忠実度な主題駆動生成を実現する新たなリファインメントフレームワークです。
From Statics to Dynamics: Physics-Aware Image Editing with Latent Transition Priors
本論文は、物理法則を考慮した画像編集の課題を解決するため、物理的状態遷移を予測する新たなフレームワーク「PhysicEdit」と大規模データセット「PhysicTran38K」を提案し、物理的妥当性と知識に基づく編集性能を大幅に向上させたことを示しています。
SemVideo: Reconstructs What You Watch from Brain Activity via Hierarchical Semantic Guidance
本論文は、静的なアノテーション、運動指向のナラティブ、包括的な要約という3段階の階層的な意味情報を用いてfMRI信号から一貫性のある動画を再構築する新手法「SemVideo」を提案し、CC2017およびHCPデータセットにおいて既存手法を上回る性能を達成したことを報告しています。
Don't let the information slip away
既存の物体検出モデルが前景の特徴に焦点を当て背景の文脈情報を軽視している課題を踏まえ、道路や森林など背景との関連性を活用することで COCO 検証セットにおいて最先端の性能を達成した「Association DETR」を提案する論文です。
GFRRN: Explore the Gaps in Single Image Reflection Removal
本論文は、事前学習モデルと反射除去モデル間の意味的ギャップやデータラベルの不一致といった課題を克服するため、パラメータ効率型微調整やラベル生成、適応的周波数学習、動的エージェントアテンションを組み合わせた「GFRRN」を提案し、単一画像からの反射除去において最先端の性能を達成したことを示しています。
SPATIALALIGN: Aligning Dynamic Spatial Relationships in Video Generation
本論文は、テキストから生成される動画の空間的制約を強化するため、幾何学的指標「DSR-SCORE」を用いたゼロ次正則化直接選好最適化（DPO）を導入し、動的な空間関係の表現能力を飛躍的に向上させた自己改善フレームワーク「SPATIALALIGN」を提案するものである。
WARM-CAT: Warm-Started Test-Time Comprehensive Knowledge Accumulation for Compositional Zero-Shot Learning
本論文は、テスト時に分布シフトに対処し、教師なしデータからテキストおよび視覚モダリティの知識を蓄積してマルチモーダルプロトタイプを適応的に更新する「WARM-CAT」という手法を提案し、新しいデータセット C-Fashion の導入と既存データセットの整備を通じて、構成ゼロショット学習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。
Motion-aware Event Suppression for Event Cameras
本論文は、IMU や自己運動によって引き起こされるイベントをリアルタイムで予測・抑制する初のフレームワークを提案し、セグメンテーション精度の大幅な向上と軽量な推論速度を実現するとともに、ビジョントランスフォーマーの推論加速や視覚オドメトリの精度向上など、下流タスクへの顕著な効果を実証しています。