論文の概要: G4Seg: Generation for Inexact Segmentation Refinement with Diffusion Models

• arxiv url: http://arxiv.org/abs/2506.01539v1
• Date: Mon, 02 Jun 2025 11:05:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 01:42:09.296331
• Title: G4Seg: Generation for Inexact Segmentation Refinement with Diffusion Models
• Title（参考訳）: G4Seg:拡散モデルによる不活性セグメンテーション生成
• Authors: Tianjiao Zhang, Fei Zhang, Jiangchao Yao, Ya Zhang, Yanfeng Wang,
• Abstract要約: 本稿では, 大規模テキスト・画像モデルを用いて不正確な拡散(IS)課題に取り組むことの問題点について考察する。 我々は,原画像とマスク条件生成画像とのパターンの相違を利用して,粗大なセグメント化改善を容易にする。
• 参考スコア（独自算出の注目度）: 38.44872934965588
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper considers the problem of utilizing a large-scale text-to-image diffusion model to tackle the challenging Inexact Segmentation (IS) task. Unlike traditional approaches that rely heavily on discriminative-model-based paradigms or dense visual representations derived from internal attention mechanisms, our method focuses on the intrinsic generative priors in Stable Diffusion~(SD). Specifically, we exploit the pattern discrepancies between original images and mask-conditional generated images to facilitate a coarse-to-fine segmentation refinement by establishing a semantic correspondence alignment and updating the foreground probability. Comprehensive quantitative and qualitative experiments validate the effectiveness and superiority of our plug-and-play design, underscoring the potential of leveraging generation discrepancies to model dense representations and encouraging further exploration of generative approaches for solving discriminative tasks.
• Abstract（参考訳）: 本稿では, 大規模テキスト・画像拡散モデルを用いて, 課題の解決に向けた課題について考察する。 識別モデルに基づくパラダイムや、内部の注意機構から派生した濃密な視覚表現に大きく依存する従来のアプローチとは異なり、本手法は安定拡散(SD)における本質的な生成先行に焦点をあてる。 具体的には、原画像とマスク条件生成画像とのパターンの相違を利用して、意味的対応性を確立し、前景の確率を更新することにより、粗い部分分割の洗練を容易にする。 包括的定量的および定性的な実験により、当社のプラグアンドプレイ設計の有効性と優位性を検証し、高密度表現をモデル化するための世代差を利用した可能性を強調し、差別的タスクを解決するための生成的アプローチのさらなる探求を奨励する。

関連論文リスト

• SGD-Mix: Enhancing Domain-Specific Image Classification with Label-Preserving Data Augmentation [0.6554326244334868]
  本稿では,多様性,忠実さ,ラベルの明確さを明確に拡張プロセスに統合する新しい枠組みを提案する。 提案手法では,前景のセマンティクスを保存し,背景の多様性を充実させ,ラベルの一貫性を確保するために,塩分濃度誘導混合と微調整拡散モデルを用いている。
  論文  参考訳（メタデータ） (2025-05-17T03:51:18Z)
• DIVE: Inverting Conditional Diffusion Models for Discriminative Tasks [79.50756148780928]
  本稿では,事前学習した拡散モデルを用いて識別課題を遂行する問題について検討する。 我々は、事前学習されたレイアウト・ツー・イメージ拡散モデルの「反転」により、事前学習した凍結生成拡散モデルの識別能力を分類タスクからより複雑なオブジェクト検出タスクに拡張する。
  論文  参考訳（メタデータ） (2025-04-24T05:13:27Z)
• Continual Test-Time Adaptation for Single Image Defocus Deblurring via Causal Siamese Networks [29.730411221998633]
  SIDD (Single Image Defocus Deblurring) は、フォーカス内イメージを非焦点画像から復元することを目的としている。 非焦点画像における分布シフトは、一般に既存の手法の性能低下につながる。 本稿では,新しいシームズネットワークを用いた連続テスト時間適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-15T13:42:39Z)
• InpDiffusion: Image Inpainting Localization via Conditional Diffusion Models [10.213390634031049]
  現在のIIL法は2つの大きな課題に直面している。 拡散モデルを用いた条件付きマスク生成タスクとしてIILを扱う新しいパラダイムを提案する。 我々の手法であるInpDiffusionは、画像意味条件の統合によって強化された復調過程を利用して、予測を段階的に洗練する。
  論文  参考訳（メタデータ） (2025-01-06T07:32:12Z)
• Unleashing the Potential of the Diffusion Model in Few-shot Semantic Segmentation [56.87049651707208]
  セマンティックはインコンテクストタスクへと発展し、一般化的セグメンテーションモデルを評価する上で重要な要素となった。 我々の最初の焦点は、クエリイメージとサポートイメージの相互作用を容易にする方法を理解することであり、その結果、自己注意フレームワーク内のKV融合法が提案される。 そこで我々はDiffewSというシンプルで効果的なフレームワークを構築し,従来の潜在拡散モデルの生成フレームワークを最大限に保持する。
  論文  参考訳（メタデータ） (2024-10-03T10:33:49Z)
• Bridging Generative and Discriminative Models for Unified Visual Perception with Diffusion Priors [56.82596340418697]
  本稿では,豊富な生成前駆体を含む事前学習型安定拡散(SD)モデルと,階層的表現を統合可能な統一型ヘッド(Uヘッド)と,識別前駆体を提供する適応型専門家からなる,シンプルで効果的なフレームワークを提案する。 包括的調査では、異なる時間ステップで潜伏変数に隠された知覚の粒度や様々なU-netステージなど、バーマスの潜在的な特性が明らかになった。 有望な結果は,有望な学習者としての拡散モデルの可能性を示し,情報的かつ堅牢な視覚表現の確立にその意義を定めている。
  論文  参考訳（メタデータ） (2024-01-29T10:36:57Z)
• JoReS-Diff: Joint Retinex and Semantic Priors in Diffusion Model for Low-light Image Enhancement [69.6035373784027]
  低照度画像強調(LLIE)は条件付き拡散モデルを用いて有望な性能を実現している。 従来手法は、タスク固有の条件戦略の十分な定式化の重要性を無視するものであった。 本稿では,Retinex および semantic-based pre-processing condition を付加した新しいアプローチである JoReS-Diff を提案する。
  論文  参考訳（メタデータ） (2023-12-20T08:05:57Z)

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。