論文の概要: Enhancing Visual Re-ranking through Denoising Nearest Neighbor Graph via Continuous CRF

• arxiv url: http://arxiv.org/abs/2412.13875v2
• Date: Tue, 08 Jul 2025 11:35:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 14:27:11.875076
• Title: Enhancing Visual Re-ranking through Denoising Nearest Neighbor Graph via Continuous CRF
• Title（参考訳）: 近接グラフの連続CRFによる視覚的再ランク付け
• Authors: Jaeyoon Kim, Yoonki Cho, Taeyoung Kim, Sung-Eui Yoon,
• Abstract要約: 近近辺(NN)グラフに基づく視覚的再ランクは,検索精度向上のための強力なアプローチとして浮上している。 しかし、NNグラフに基づく再ランク付けの有効性は、エッジ接続の品質に制約されている。 本研究では,連続条件付ランダム場に基づく補的記述法を提案する。
• 参考スコア（独自算出の注目度）: 17.05978491184936
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nearest neighbor (NN) graph based visual re-ranking has emerged as a powerful approach for improving retrieval accuracy, offering the advantages of effectively exploring high-dimensional manifolds without requiring additional fine-tuning. However, the effectiveness of NN graph-based re-ranking is fundamentally constrained by the quality of its edge connectivity, as incorrect connections between dissimilar (negative) images frequently occur. This is known as a noisy edge problem, which hinders the re-ranking performance of existing techniques and limits their potential. To remedy this issue, we propose a complementary denoising method based on Continuous Conditional Random Fields (C-CRF) that leverages statistical distances derived from similarity-based distributions. As a pre-processing step for enhancing NN graph-based retrieval, our approach constructs fully connected cliques around each anchor image and employs a novel statistical distance metric to robustly alleviate noisy edges before re-ranking while achieving efficient processing through offline computation. Extensive experimental results demonstrate that our method consistently improves three different NN graph-based re-ranking approaches, yielding significant gains in retrieval accuracy.
• Abstract（参考訳）: 近近辺(NN)グラフに基づく視覚的再ランクは、さらなる微調整を必要とせず、高次元多様体を効果的に探索する利点を提供するため、検索精度を向上させるための強力なアプローチとして登場した。 しかし、NNグラフに基づく再ランク付けの有効性は、異なる(負の)画像間の誤った接続が頻繁に発生するため、エッジ接続の品質によって基本的に制限されている。 これはノイズの多いエッジ問題として知られており、既存の技術の再評価を妨げ、その可能性を制限する。 この問題を解決するために,類似性に基づく分布から得られる統計的距離を利用する連続条件ランダム場(C-CRF)に基づく補完的復調法を提案する。 提案手法は,NNグラフに基づく検索の事前処理ステップとして,各アンカー画像の周囲に完全に連結された斜めを構成するとともに,新しい統計距離計を用いて,オフライン計算による効率的な処理を実現しつつ,再ランク付け前にノイズの多いエッジを頑健に緩和する。 大規模な実験結果から,提案手法は3つの異なるNNグラフに基づく再分類手法を一貫して改善し,検索精度が大幅に向上することが示された。

関連論文リスト

• Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
  ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。 本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
  論文  参考訳（メタデータ） (2024-11-21T14:19:32Z)
• You Can't Ignore Either: Unifying Structure and Feature Denoising for Robust Graph Learning [34.52299775051481]
  我々は、構造と特徴のデッドロックを解き放つために、統一グラフ復調(UGD)フレームワークを開発する。 具体的には、ノイズエッジを認識するために、高次近傍評価法を提案する。 また,グラフオートエンコーダをベースとした,ノイズの多い特徴の再現も提案する。
  論文  参考訳（メタデータ） (2024-08-01T16:43:55Z)
• Fast graph-based denoising for point cloud color information [29.126056066012264]
  例えば、3Dポイントクラウドを使ったライブストリーミングでは、視覚的品質を高めるためにリアルタイムのポイントクラウドデノゲーション方法が必要である。 本稿では,大規模クラウドのための高速グラフベースデノイング(FGBD)を提案する。 本実験では,従来の復調法と比較して精度を保ちながら,処理時間を劇的に短縮することに成功した。
  論文  参考訳（メタデータ） (2024-01-18T04:51:41Z)
• Deep Graph Neural Networks via Posteriori-Sampling-based Node-Adaptive Residual Module [65.81781176362848]
  グラフニューラルネットワーク(GNN)は、近隣情報収集を通じてグラフ構造化データから学習することができる。 レイヤーの数が増えるにつれて、ノード表現は区別不能になり、オーバー・スムーシング(over-smoothing)と呼ばれる。 我々は,textbfPosterior-Sampling-based, Node-distinguish Residual Module (PSNR)を提案する。
  論文  参考訳（メタデータ） (2023-05-09T12:03:42Z)
• Graph Signal Sampling for Inductive One-Bit Matrix Completion: a Closed-form Solution [112.3443939502313]
  グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。 キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。 オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
  論文  参考訳（メタデータ） (2023-02-08T08:17:43Z)
• Dynamic Attentive Graph Learning for Image Restoration [6.289143409131908]
  画像復元のためのパッチレベルにおける動的非局所特性を探索する動的注意グラフ学習モデル(DAGL)を提案する。 我々のDAGLは、精度と視覚的品質に優れた最先端の結果を得ることができる。
  論文  参考訳（メタデータ） (2021-09-14T12:19:15Z)
• Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
  本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。 解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
  論文  参考訳（メタデータ） (2020-10-21T20:04:22Z)
• Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
  逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。 少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。 我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
  論文  参考訳（メタデータ） (2020-06-18T00:55:10Z)
• Image Fine-grained Inpainting [89.17316318927621]
  拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。 この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。 また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
  論文  参考訳（メタデータ） (2020-02-07T03:45:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。