From Semantic To Instance: A Semi-Self-Supervised Learning Approach
この論文は、農業分野における密集・自己遮蔽物体のインスタンスセグメンテーション課題を解決するため、最小限の人手注釈で形状やテクスチャに焦点を当てた「GLMask」を用いた半自己教師あり学習アプローチを提案し、小麦の穂の検出で mAP@50 98.5% の最高精度を達成したことを報告しています。
👁️ Category
cs.CV
2407 件の論文
Transforming H&E images into IHC: A Variance-Penalized GAN for Precision Oncology
本論文は、ピラミッド型 pix2pix の損失関数に分散ペナルティを導入してモード崩壊を抑制し、H&E 染色画像から高忠実度の HER2 免疫組織化学画像を生成する深層学習フレームワークを提案することで、乳がん診断の精度向上とコスト削減を実現するものである。
Light of Normals: Unified Feature Representation for Universal Photometric Stereo
本論文は、照明と法線ベクトルを明確に分離する「Light Register トークン」や「Wavelet 基盤の双枝アーキテクチャ」を提案し、大規模合成データセット「PS-Verse」を用いたカリキュラム学習を通じて、任意の照明条件下で高精度かつ汎用的なフォトメトリックステレオを実現する「LINO UniPS」を構築したものである。
Open-Vocabulary Camouflaged Object Segmentation with Cascaded Vision Language Models
本論文は、視覚言語モデル（VLM）から得られる特徴を明示的なプロンプトとしてセグメンテーションモデル（SAM）に活用し、さらに分類段階でドメインギャップを回避する「ソフトな空間事前分布」を導入するカスケード型フレームワークを提案することで、任意のクラスの擬態物体を高精度にセグメント化・分類するオープンボキャブラリ擬態物体セグメンテーション（OVCOS）の課題を解決するものです。
LD-RPS: Zero-Shot Unified Image Restoration via Latent Diffusion Recurrent Posterior Sampling
本論文は、事前学習された潜在拡散モデルとマルチモーダル理解モデルを活用し、対データなしで多様な画像劣化をゼロショットで統一復元する「LD-RPS」を提案し、既存手法を上回る性能を実証したものです。
Adopting a human developmental visual diet yields robust, shape-based AI vision
この論文は、人間の視覚発達の過程（視力やコントラスト感度など）を模倣した「発達的視覚食」を導入することで、AI がテクスチャ依存から脱却し、形状に基づく頑健で人間に近い視覚能力を獲得できることを実証しています。
Query-Based Adaptive Aggregation for Multi-Dataset Joint Training Toward Universal Visual Place Recognition
本論文は、複数のデータセットをまたぐ汎用的な視覚的場所認識を実現するため、学習されたクエリを参照コードブックとして活用し、計算コストを大幅に増やさずに特徴集約の能力を向上させる「クエリベース適応集約（QAA）」を提案し、既存の単一データセット特化モデルと同等の性能を維持しながら多様なデータセット間でのバランスの取れた汎化性能を達成することを示しています。
A Robust Incomplete Multimodal Low-Rank Adaptation Approach for Emotion Recognition
本論文は、センサー故障やプライバシー保護により生じる不完全なマルチモーダルデータの問題に対処するため、モダリティ組合せごとの共有情報と固有特徴を分離し、表現空間の分離性に基づいて動的に学習比率を調整する新しいパラメータ効率型学習フレームワーク「MCULoRA」を提案し、感情認識タスクにおいて既存手法を上回る性能を達成したことを示しています。
Unified Medical Image Segmentation with State Space Modeling Snake
本論文は、状態空間モデルを活用した新しいディープスネークフレームワーク「Mamba Snake」を提案し、多スケールの構造的異質性や器官間の関係性を効果的にモデル化することで、医用画像の統一セグメンテーションにおいて最先端の手法を上回る性能を達成したことを示しています。
: Permutation-Equivariant Visual Geometry Learning
この論文は、特定の基準視点に依存せず入力順序に対して置換等価性を備えたニューラルネットワーク「」を提案し、カメラ姿勢推定や深度推定など多様な視覚幾何学タスクにおいて最先端の性能を達成することを示しています。
InsightX Agent: An LMM-based Agentic Framework with Integrated Tools for Reliable X-ray NDT Analysis
本論文は、X 線非破壊検査の信頼性と解釈性を向上させるため、検出器と証拠に基づく反省ツールを LMM エージェントが調整する新たなフレームワーク「InsightX Agent」を提案し、GDXray+ データセットにおいて高い検出精度と信頼性の高い分析を実現したことを示しています。
Post-Disaster Affected Area Segmentation with a Vision Transformer (ViT)-based EVAP Model using Sentinel-2 and Formosat-5 Imagery
本論文は、台湾宇宙機関（TASA）の緊急付加価値製品（EVAP）を支援するため、Sentinel-2 と Formosat-5 画像を用いた主成分分析と信頼度指標に基づく弱教師あり学習により、ViT（Vision Transformer）ベースのモデルで災害被災域のセグメンテーション精度と信頼性を向上させるフレームワークを提案するものである。
Empowering Microscopic Traffic Simulators with Realistic Perception using Surrogate Sensor Models
本論文は、マイクロ交通シミュレータの拡張性を維持しつつ、高レベル特徴量のみから現実的な LiDAR 検出を生成する代理モデル「MIDAR」を提案し、大規模な交通シミュレーションにおける自律走行車の知覚能力を効率的に強化する手法を提示しています。
TransUNet-GradCAM: A Hybrid Transformer-U-Net with Self-Attention and Explainable Visualizations for Foot Ulcer Segmentation
Diabetic foot ulcer segmentation の課題である長距離依存性のモデル化と説明可能性を解決するため、Vision Transformer と U-Net を融合した TransUNet-GradCAM 手法を提案し、公開データセットおよび外部臨床データセットにおける高い汎化性能と臨床的有用性を検証しました。
SQ-VDiT: Accurate Quantized Video Diffusion Transformer with Salient Data and Sparse Token Distillation
この論文は、動画生成モデルにおける量子化の課題を解決し、Hessian に基づく重要データの選択とアテンションに基づくスパースなトークンの蒸留を導入することで、W4A6 量子化下でも損失なしで高い圧縮率と推論加速を実現する「SQ-VDiT」というポストトレーニング量子化フレームワークを提案しています。
SPEX: A Vision-Language Model for Land Cover Extraction on Spectral Remote Sensing Images
SPEX は、古典的なスペクトル指標に基づいて土地被覆オブジェクトのスペクトル事前知識をテキスト属性として符号化した大規模言語モデル向けデータセット SPIE を構築し、マルチスペクトルリモートセンシング画像における高精度な土地被覆抽出と説明可能な予測を実現する初のビジョンランゲージモデルです。
3D Gaussian Splatting with Fisheye Images: Field of View Analysis and Depth-Based Initialization
本論文は、180 度を超える広角の魚眼画像を用いた 3D ガウススプラッティングの初評価を行い、160 度の視野角が最適な結果をもたらすことを示すとともに、SfM による初期化が困難な状況に対処するため、200 度を超える魚眼画像への初適用となる UniK3D を用いた深度ベースの初期化手法を提案し、その有効性を検証した。
Unified and Semantically Grounded Domain Adaptation for Medical Image Segmentation
この論文は、医療画像セグメンテーションにおけるドメイン適応の手法を、ソース画像の有無にかかわらず統合し、解剖学的知識を明示的に構造化した確率的多様体学習を通じて、解釈可能かつ高性能な統一フレームワークを提案するものです。
IAG: Input-aware Backdoor Attack on VLM-based Visual Grounding
この論文は、視覚言語モデル（VLM）に基づく視覚的グラウンディングシステムに対して、任意のターゲット対象の記述に応答して動的に生成される入力依存型のトリガーを用いた、初の多ターゲットバックドア攻撃手法「IAG」を提案し、その高い攻撃成功率と隠蔽性を示したものである。
Video-EM: Event-Centric Episodic Memory for Long-Form Video Understanding
Video-EM は、長期動画理解における文脈制約を解決するため、既存の Video-LLM を追加学習なしで活用し、LLM を能動的な記憶エージェントとして機能させることで、クエリ関連の瞬間を特定し、一貫したイベントにグループ化し、冗長性を除去する自己反省ループを経て、コンパクトかつ信頼性の高い「イベントタイムライン」を構築するトレーニングフリーのフレームワークである。