論文の概要: Exploring Visual Prompting: Robustness Inheritance and Beyond

• arxiv url: http://arxiv.org/abs/2506.06823v1
• Date: Sat, 07 Jun 2025 14:56:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.500846
• Title: Exploring Visual Prompting: Robustness Inheritance and Beyond
• Title（参考訳）: ビジュアルプロンプトを探る:ロバストさの継承とそれ以上
• Authors: Qi Li, Liangzhi Li, Zhouqiang Jiang, Bowen Wang, Keke Tang,
• Abstract要約: ビジュアル・プロンプティング(VP)が直面するトレードオフを軽減するため,PBL(Prompt Boundary Loosening)という戦略を提案する。 VPと自然に互換性のある軽量なプラグアンドプレイ戦略として、PBLは、ソースモデルがロバストモデルであるときに、効果的にロバストネスの継承を成功させる。 我々の発見は普遍的であり、提案した戦略の重要な利点を実証している。
• 参考スコア（独自算出の注目度）: 10.911786739957599
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Visual Prompting (VP), an efficient method for transfer learning, has shown its potential in vision tasks. However, previous works focus exclusively on VP from standard source models, it is still unknown how it performs under the scenario of a robust source model: Can the robustness of the source model be successfully inherited? Does VP also encounter the same trade-off between robustness and generalization ability as the source model during this process? If such a trade-off exists, is there a strategy specifically tailored to VP to mitigate this limitation? In this paper, we thoroughly explore these three questions for the first time and provide affirmative answers to them. To mitigate the trade-off faced by VP, we propose a strategy called Prompt Boundary Loosening (PBL). As a lightweight, plug-and-play strategy naturally compatible with VP, PBL effectively ensures the successful inheritance of robustness when the source model is a robust model, while significantly enhancing VP's generalization ability across various downstream datasets. Extensive experiments across various datasets show that our findings are universal and demonstrate the significant benefits of the proposed strategy.
• Abstract（参考訳）: 伝達学習の効率的な方法である視覚プロンプティング(VP)は、視覚タスクにおいてその可能性を示している。 しかし、以前の研究は標準のソースモデルからのVPのみに焦点を当てていたが、堅牢なソースモデルのシナリオでどのように機能するかはまだ分かっていない。 VPはまた、このプロセスのソースモデルと同じ堅牢性と一般化能力のトレードオフに直面していますか? もしそのようなトレードオフが存在するなら、この制限を軽減するためにVPに特別に調整された戦略があるだろうか? 本稿では,これら3つの質問を初めて徹底的に探求し,肯定的な回答を提供する。 本稿では,VPが直面するトレードオフを軽減するため,PBL(Prompt Boundary Loosening)と呼ばれる戦略を提案する。 VPと自然に互換性のある軽量なプラグイン・アンド・プレイ戦略として、PBLは、ソースモデルが堅牢なモデルである場合にロバストネスの継承を成功させると同時に、さまざまなダウンストリームデータセットにわたるVPの一般化能力を著しく向上させる。 様々なデータセットにわたる大規模な実験により、我々の発見は普遍的であり、提案した戦略の重要な利点を実証している。

関連論文リスト

• EffoVPR: Effective Foundation Model Utilization for Visual Place Recognition [6.996304653818122]
  本稿では,視覚的位置認識のための基礎モデルの可能性を活用するための効果的なアプローチを提案する。 ゼロショット設定であっても,自己注意層から抽出した特徴がVPRの強力な再ランカとして機能することを示す。 また,本手法は高いロバスト性および一般化を実証し,新しい最先端性能の設定を行う。
  論文  参考訳（メタデータ） (2024-05-28T11:24:41Z)
• Combining inherent knowledge of vision-language models with unsupervised domain adaptation through strong-weak guidance [44.1830188215271]
  教師なしドメイン適応(UDA)は、ラベル付きソースデータセットを活用することで、データのラベル付けの面倒な作業を克服しようとする。 現在の視覚言語モデルは、顕著なゼロショット予測能力を示す。 我々は、ゼロショット予測を用いて、ソースとターゲットデータセットの整列を支援する、強弱誘導学習スキームを導入する。
  論文  参考訳（メタデータ） (2023-12-07T06:16:39Z)
• Towards Robust and Accurate Visual Prompting [11.918195429308035]
  本研究では,ロバストモデルから派生した視覚的プロンプトが,一般化性能の低下に悩まされながら,ロバスト性を継承できるかどうかを検討する。 本稿では,PBL(Prompt Boundary Loose)と呼ばれる新しい手法を提案する。 本研究は普遍的であり,提案手法の意義を実証するものである。
  論文  参考訳（メタデータ） (2023-11-18T07:00:56Z)
• Uncovering the Hidden Cost of Model Compression [43.62624133952414]
  視覚プロンプティングは、コンピュータビジョンにおける伝達学習の重要な方法として登場した。 モデル圧縮は視覚的プロンプトベース転送の性能に有害である。 しかし、量子化によってモデルが圧縮されるとき、キャリブレーションに対する負の効果は存在しない。
  論文  参考訳（メタデータ） (2023-08-29T01:47:49Z)
• Visual Prompting for Adversarial Robustness [63.89295305670113]
  我々は、視覚的プロンプト計算を用いて、テスト時に固定された事前訓練されたモデルの対向ロバスト性を改善する。 本稿では,クラスワイズビジュアルプロンプトを生成するために,クラスワイズビジュアルプロンプト(C-AVP)と呼ばれる新しいVP手法を提案する。 C-AVPは従来のVP法よりも2.1倍の精度向上、2倍の堅牢な精度向上を実現している。
  論文  参考訳（メタデータ） (2022-10-12T15:06:07Z)

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。