Learning Convex Decomposition via Feature Fields
この論文は、古典的な凸性の定義に基づく自己教師ありの幾何学的目的関数を用いて連続的な特徴場を学習し、物理シミュレーションの衝突検出などに応用可能な高品質な凸分解を、メッシュやCAD モデル、ガウシアンスプラットなど多様な 3D 表現に対して汎用的に実行できる最初のフィードフォワードモデルを提案するものである。
👁️ Category
cs.CV
2773 件の論文
CogBlender: Towards Continuous Cognitive Intervention in Text-to-Image Generation
CogBlender は、認知空間と意味多様体のマッピングとフローマッチング手法の再定式化により、画像生成プロセスにおいて価性や覚醒度などの認知属性を連続的かつ多角的に制御し、意図した心理的効果を持つ画像を生成する新しいフレームワークを提案するものです。
Exploring Modality-Aware Fusion and Decoupled Temporal Propagation for Multi-Modal Object Tracking
本論文は、マルチモーダル物体追跡において既存手法の課題である均一な融合と時系列情報の混在を解決するため、モダリティ固有の融合と時系列情報の分離伝達を実現する新しいフレームワーク「MDTrack」を提案し、複数のベンチマークで最先端の性能を達成したことを示しています。
DenoiseSplat: Feed-Forward Gaussian Splatting for Noisy 3D Scene Reconstruction
この論文は、ノイズの多いマルチビュー画像からの 3D シーン再構成を目的とした、大規模なノイズ付きデータセットを構築し、3D Ground Truth を必要とせずクリーンな 2D レンダリングのみで教師あり学習を行う軽量なフィードフォワード手法「DenoiseSplat」を提案するものです。
See, Plan, Rewind: Progress-Aware Vision-Language-Action Models for Robust Robotic Manipulation
本論文は、タスクの進捗を可視的なマイルストーンとして監視し、失敗時に状態を巻き戻す「See, Plan, Rewind (SPR)」という新しいビジョン・言語・アクションフレームワークを提案し、追加学習なしでロボットの操作タスクにおける堅牢性と未知環境への適応能力を大幅に向上させることを示しています。
IntroSVG: Learning from Rendering Feedback for Text-to-SVG Generation via an Introspective Generator-Critic Framework
本論文は、生成された SVG のレンダリング結果を視覚的に評価し、そのフィードバックを生成プロセスに閉ループで組み込む「イントロスペクティブな生成器・批評家フレームワーク（IntroSVG）」を提案し、これにより既存の手法を凌駕する複雑で意味整合性の高い高品質なテキストから SVG への生成を実現したことを述べています。
CLoE: Expert Consistency Learning for Missing Modality Segmentation
本論文は、マルチモーダル医療画像セグメンテーションにおいて欠損モダリティが生じる際の問題に対処するため、モダリティ専門家間の合意を制御する「CLoE」という一貫性学習フレームワークを提案し、欠損状況下でも臨床的に重要な構造のセグメンテーション性能を向上させることを実証したものである。
NLiPsCalib: An Efficient Calibration Framework for High-Fidelity 3D Reconstruction of Curved Visuotactile Sensors
本論文は、従来の較正が手間とコストを要していた湾曲視触覚センサーに対し、身近な物体との数回の接触だけで高精度な 3 次元再構成を可能にする効率的な較正フレームワーク「NLiPsCalib」と、その検証用センサー「NLiPsTac」を提案するものである。
SpaceSense-Bench: A Large-Scale Multi-Modal Benchmark for Spacecraft Perception and Pose Estimation
この論文は、 Unreal Engine 5 を用いて生成され、136 種類の衛星モデルからなる大規模なマルチモーダルデータセット「SpaceSense-Bench」を提案し、宇宙機認識における小規模部品や未知ターゲットの認識といった課題を特定するとともに、大規模で多様なデータセットの重要性を実証したものです。
OddGridBench: Exposing the Lack of Fine-Grained Visual Discrepancy Sensitivity in Multimodal Large Language Models
本論文は、マルチモーダル大規模言語モデルの細粒度視覚差異検出能力の欠如を明らかにする新たなベンチマーク「OddGridBench」を提案し、カリキュラム学習と距離認識型報酬を統合した強化学習フレームワーク「OddGrid-GRPO」によってその検出能力を大幅に向上させる手法を提示しています。
Beyond Scaling: Assessing Strategic Reasoning and Rapid Decision-Making Capability of LLMs in Zero-sum Environments
本論文は、LLM の静的な推論能力だけでなく、対戦環境における戦略的計画と迅速な意思決定のバランスを評価する新たなベンチマーク「STAR」を提案し、高度な推論モデルがリアルタイム環境では遅延により劣る一方で、高速なモデルが優位に立つという「戦略と実行のギャップ」を実証しています。
Predictive Spectral Calibration for Source-Free Test-Time Regression
本論文は、分類タスクに特化した既存のテスト時適応手法の限界を克服し、ソースデータなしで画像回帰タスクの分布シフトに強靭に対応できるよう、サブ空間アライメントをブロックスペクトルマッチングに拡張した「予測スペクトル較正（PSC）」という新しいフレームワークを提案するものである。
Robust Provably Secure Image Steganography via Latent Iterative Optimization
この論文は、暗号空間における反復最適化を用いて、画像圧縮や処理に対する頑健性を大幅に向上させつつ、埋め込みの証明可能なセキュリティを維持する新しい画像ステガノグラフィフレームワークを提案し、その有効性を示しています。
Evidential Perfusion Physics-Informed Neural Networks with Residual Uncertainty Quantification
本論文は、物理制約の違反に伴う不確実性を定量化し、脳梗塞の CT 灌流画像解析における精度と信頼性を向上させるために、証拠深層学習と物理情報ニューラルネットワークを統合した「EPPINN」という新しい枠組みを提案し、その有効性を検証したものである。
M3GCLR: Multi-View Mini-Max Infinite Skeleton-Data Game Contrastive Learning For Skeleton-Based Action Recognition
本論文は、既存の自己教師あり骨格ベース動作認識手法が抱える課題を解決するため、無限骨格データゲームの均衡定理に基づき多視点ミニマックス最適化と二重損失均衡オプティマイザを導入した「M3GCLR」を提案し、主要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。
MIL-PF: Multiple Instance Learning on Precomputed Features for Mammography Classification
本論文は、限られたアノテーションと大規模な画像を扱う乳腺撮影の分類タスクにおいて、事前学習済み基盤モデルの特徴量を凍結し、軽量なマルチインスタンス学習ヘッドのみを学習することで、計算コストを大幅に削減しつつ臨床規模で最先端の性能を達成する「MIL-PF」というスケーラブルなフレームワークを提案するものです。
SinGeo: Unlock Single Model's Potential for Robust Cross-View Geo-Localization
本論文は、異なる視野や向きに対する頑健性を欠く既存の手法の問題を解決し、単一のモデルで卓越した性能を発揮する「SinGeo」というフレームワークを提案し、二重の識別学習とカリキュラム学習を導入することで、クロスビュー地理定位の分野において最先端の結果を達成したことを示しています。
EventVGGT: Exploring Cross-Modal Distillation for Consistent Event-based Depth Estimation
本論文は、イベントカメラの時間的連続性を活用し、Visual Geometry Grounded Transformer（VGGT）から時空間および幾何学的な事前知識を蒸留する新たなフレームワーク「EventVGGT」を提案し、既存手法を大幅に上回る一貫性のある深度推定を実現するものである。
Training-Free Coverless Multi-Image Steganography with Access Control
この論文は、拡散モデルの潜在空間融合とランダム基底メカニズムを活用し、既存のトレーニング不要なカバレス隠蔽法を凌駕する画質、多様性、耐ノイズ性、そしてステガノ分析への耐性を備えつつ、ユーザーごとのアクセス制御を可能にする新しいフレームワーク「MIDAS」を提案するものである。
ICDAR 2025 Competition on End-to-End Document Image Machine Translation Towards Complex Layouts
ICDAR 2025 における複雑なレイアウトを持つ文書画像の機械翻訳コンペティションは、OCR 不要・OCR 利用の 2 つのトラックで 69 チームが参加し、大規模モデルが複雑な文書画像の翻訳において有望な新たなパラダイムを確立したことを示す結果を報告しています。