2528 件の論文
この論文は、人手に依存するサンゴの産卵計測の課題を解決し、大規模なサンゴ礁の修復を可能にするため、低コストなカメラと人間によるラベル付けを組み合わせた物体検出技術を用いて、サンゴの産卵と幼生を自動的に検出・分類・計数する「CSLICS」と呼ばれるシステムを提案し、その有効性を検証したものです。
この論文は、深層ビジョンネットワークにおける概念の符号化と復号を担う方向性ペアを、特徴再構成に依存しない教師なし手法で復元し、モデルの解釈性向上や誤り修正などの応用を可能にする新たなアプローチを提案するものである。
本論文は、マルチモーダル多ターン対話における新たな安全リスクに対処するため、大規模な安全データセットと自動攻撃フレームワークを構築し、既存の手法を凌駕する包括的な対話安全監査システム「LLaVAShield」を提案するものである。
この論文は、1925 年から 1950 年にかけてのフランスの歴史的都市拡大を分析するため、古地図の複雑な特徴を処理する双段階の深層学習パイプラインを開発し、初の全国規模のオープンアクセス都市フットプリントデータセットを生成したことを報告しています。
この論文は、障害物に満ちた環境における多ロボットシステムの接続維持と回復を可能にするため、高次制御バリア関数と制御リアプノフ関数を用いたリアルタイムのベジェ曲線ベースの MPC-CLF-CBF 運動計画アルゴリズムを提案し、シミュレーションおよび 8 機の Crazyflie による物理実験でその有効性を検証したものである。
この論文は、外部の音楽理解モデルとの潜在感情表現の整合化と連続的な価・覚醒空間に基づく制御モジュールを導入することで、テキストプロンプトの限界を克服し、音楽生成モデルにおける連続的かつ微細な感情制御を実現する「LARA-Gen」というフレームワークを提案し、その有効性を示したものである。
この論文は、大規模言語モデル（LLM）による高度な推論と計画を可能にするため、物体レベルの詳細なメッシュとシーンレベルの文脈を両立させた新しいメトリック意味マップを提案し、既存手法よりも精度が高く、LLM やシミュレーション環境でのナビゲーションへの有効性を示しています。
この論文は、軌道最適化の構造と強化学習の適応性を階層的に統合した「NaviGait」を提案し、オフラインで生成された歩行ライブラリからの選択と最小限の変形を通じて、参照運動への忠実性と外乱に対するロバスト性を両立させつつ、強化学習の報酬設計を簡素化し訓練を高速化する新しい二足歩行制御フレームワークを提示しています。
既存のニューラル動画圧縮方式が抱える欠陥を克服するため、従来の動画符号化の概念を取り入れて単一モデルで適応的にイントラ・インター符号化を行う統合フレームワークと双方向二フレーム圧縮設計を提案し、DCVC-RT を上回る圧縮効率とリアルタイム性を両立させた研究です。
この論文は、スウォームロボティクスにおける連結性制約を満たすマルチエージェント経路計画問題（CUMAPF）に対し、スケーラビリティに課題がある整数線形計画法に代わり、連結性を維持しつつ目標へ近づくルールベースの完全アルゴリズム「PULL」を提案し、数百エージェント規模のインスタンスを高速に解決可能であることを示しています。
この論文は、環境変化への対応において既存の計画を更新する従来のアプローチに代わり、高速な漸近最適性を持つ計画アルゴリズムを用いて独立した問題を連続的に解くことで、より効率的に高品質な経路を生成できることを示しています。
本論文は、軽量な身体ランドマーク検出と適切な部分集合の選択、およびスプライン補間による欠損値の補完を組み合わせることで、LIBRAS の孤立した手話認識において、既存の最先端手法と同等以上の精度を維持しつつ処理時間を 5 倍以上短縮できることを実証しています。
この論文は、事前学習済み Stable Diffusion モデルの特徴量を活用し、トレーニング不要な k-NN による検出とコンパクトな分類器によるソース特定を可能にする軽量かつデータ効率の高いフレームワーク「FRIDA」を提案し、GenImage ベンチマークにおいて未見の生成モデルに対する検出とソース特定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。
本論文は、人間の実演における能動的な頭部運動と視覚探索を捉え、記憶拡張ポリシーを用いて半ヒューマノイドロボットに転送する「EgoMI」というフレームワークを提案し、手と目の協調学習によって人間とロボットの身体性のギャップを克服し、強固な模倣学習を実現することを示しています。
既存の単眼 3D 物体検出器が抱える属性間の幾何学的整合性の欠如を解消するため、予測された 3D 境界ボックスと正解との空間的整合性、および画像平面上での 3D ボックスの 2D 投影と検出枠との整合性を強制する「Spatial-Projection Alignment（SPAN）」手法を提案し、既存の検出器に容易に統合可能な形で性能を大幅に向上させることを実証した。
本論文は、大規模視覚言語モデル（LVLM）における既存の敵対的攻撃が抱える制御性の限界を、パッチ特徴の曖昧さではなく、より局所的で分離された意味情報を保持する「値特徴（Value Features）」を標的にすることで克服し、テキスト指示に基づく精密な意味操作を可能にする新しい手法「V-Attack」を提案するものである。
この論文は、ロボティクスにおける 3D 視覚表現学習の課題を解決するため、状態遷移のダイナミクスを生成拡散プロセスとしてモデル化し、動作や幾何学的再構成の教師信号なしに自己教師ありで学習するフレームワーク「AFRO」を提案し、シミュレーションおよび実世界タスクにおいて既存手法を上回る成功率とスケーラビリティを実証したものである。
この論文は、視覚と聴覚の両方の感覚を統合した世界モデルの概念を初めて定義し、専用データセット「AVW-4k」と新しいモデル「AV-CDiT」を提案することで、マルチモーダルな未来予測と音声視覚ナビゲーションタスクの性能向上を実現するものです。
この論文は、古典的なベンチマークインスタンスの構造を突くことで極めて短時間で最適解が得られることを示し、これらのインスタンスが現在では TSPTW-M 問題の評価基準として適切でなくなったと結論付けています。
VGGT やなどの多視点 3D モデルが抱える計算コストの課題に対し、グローバル注意機構の役割を分析し、学習不要の 2 段階加速手法を提案することで、精度を維持しつつ最大 10 倍の推論高速化を実現する論文です。