論文の概要: ETA: Energy-based Test-time Adaptation for Depth Completion

• arxiv url: http://arxiv.org/abs/2508.05989v1
• Date: Fri, 08 Aug 2025 03:51:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:06.066464
• Title: ETA: Energy-based Test-time Adaptation for Depth Completion
• Title（参考訳）: ETA:Depth Completionのためのエネルギーベースのテストタイム適応
• Authors: Younjoon Chung, Hyoungseob Park, Patrick Rim, Xiaoran Zhang, Jihe He, Ziyao Zeng, Safa Cicek, Byung-Woo Hong, James S. Duncan, Alex Wong,
• Abstract要約: 本研究では,事前訓練した深度完了モデルの試験時間適応法を提案する。 本手法の要点は,震源データ分布に含まれる深度予測の可能性の定量化にある。 本手法は屋内3つのデータセットと屋外3つのデータセットにまたがって評価する。
• 参考スコア（独自算出の注目度）: 13.878257504924644
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a method for test-time adaptation of pretrained depth completion models. Depth completion models, trained on some ``source'' data, often predict erroneous outputs when transferred to ``target'' data captured in novel environmental conditions due to a covariate shift. The crux of our method lies in quantifying the likelihood of depth predictions belonging to the source data distribution. The challenge is in the lack of access to out-of-distribution (target) data prior to deployment. Hence, rather than making assumptions regarding the target distribution, we utilize adversarial perturbations as a mechanism to explore the data space. This enables us to train an energy model that scores local regions of depth predictions as in- or out-of-distribution. We update the parameters of pretrained depth completion models at test time to minimize energy, effectively aligning test-time predictions to those of the source distribution. We call our method ``Energy-based Test-time Adaptation'', or ETA for short. We evaluate our method across three indoor and three outdoor datasets, where ETA improve over the previous state-of-the-art method by an average of 6.94% for outdoors and 10.23% for indoors. Project Page: https://fuzzythecat.github.io/eta.
• Abstract（参考訳）: 本研究では,事前訓練した深度完了モデルの試験時間適応法を提案する。 いくつかの『ソース』データに基づいて訓練された深度完了モデルでは、共変量シフトにより新しい環境条件下でキャプチャされた『ターゲット』データに転送されると、しばしば誤出力を予測する。 本手法の要点は,震源データ分布に含まれる深度予測の可能性の定量化にある。 課題は、デプロイ前にアウト・オブ・ディストリビューション(ターゲット)データにアクセスできないことだ。 したがって、対象の分布を仮定する代わりに、データ空間を探索するメカニズムとして、逆方向の摂動を利用する。 これにより、深度予測の局所的な領域を分布内または分布外として評価するエネルギーモデルを訓練することができる。 本研究では, 実測値と実測値とを効果的に整合させて, エネルギーを最小化するために, 事前学習した深度完了モデルのパラメータを更新する。 我々は、我々のメソッドを `Energy-based Test-time Adaptation'' または略して ETA と呼びます。 本手法を3つの屋内および3つの屋外データセットで評価し,従来の最先端手法よりも平均6.94%,屋内では10.23%改善した。 プロジェクトページ: https://fuzzythecat.github.io/eta.com

関連論文リスト

• Energy-based Preference Optimization for Test-time Adaptation [4.379304291229695]
  テスト時間適応(TTA)アプローチは条件分布の調整に重点を置いている。 これらの手法はラベル情報の欠如による不確実な予測に依存することが多く、信頼性の低い性能をもたらす。 エネルギーベースのフレームワークは、不確実な予測に頼ることなく、ターゲットデータの限界分布を計算し、分散シフトに対処する、有望な代替手段を提案する。
  論文  参考訳（メタデータ） (2025-05-26T07:21:32Z)
• Joint Source-Environment Adaptation of Data-Driven Underwater Acoustic Source Ranging Based on Model Uncertainty [4.2671394819888455]
  事前学習されたディープラーニングモデルを新しい未知の環境に適用することは、水中の音像定位において難しい課題である。 事前トレーニングされたモデルは、トレーニングデータとテストデータのミスマッチに苦しむパフォーマンスを持つが、一般的に、ミスマッチがより多い環境では、より高いインプリード不確実性を示す'。 本研究では,モデル予測の不確かさの定量化に有効な手法と,事前学習したモデルがテスト時に見つからない水中環境に適応するための革新的なアプローチを用いる。
  論文  参考訳（メタデータ） (2025-03-30T00:00:17Z)
• Learning Hyperparameters via a Data-Emphasized Variational Objective [4.453137996095194]
  ベイズ変分法から得られたエビデンスローバウンド(ELBo)目標を通した全トレーニングセット上での正規化ハイパーパラメータの勾配に基づく直接学習を検討する。 このようなシナリオでは、ELBoは事前のばらつきにマッチする後方を優先順位付けし、データの過小評価につながる。 提案手法は,過去の作業の88時間以上のグリッド検索を3時間以内の精度で行う。
  論文  参考訳（メタデータ） (2025-02-03T22:19:35Z)
• What is the Right Notion of Distance between Predict-then-Optimize Tasks? [35.842182348661076]
  OTD$3$は、機能やラベルに加えて下流の決定を組み込んだ、新しいデータセット距離である。 提案した距離は,3つの予測列最適化タスク間でのモデル伝達可能性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2024-09-11T04:13:17Z)
• A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
  本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。 モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。 本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
  論文  参考訳（メタデータ） (2023-03-02T21:48:22Z)
• Uncertainty-guided Source-free Domain Adaptation [77.3844160723014]
  ソースフリードメイン適応(SFDA)は、事前訓練されたソースモデルのみを使用することで、未ラベルのターゲットデータセットに分類器を適応させることを目的としている。 本稿では、ソースモデル予測の不確実性を定量化し、ターゲット適応の導出に利用することを提案する。
  論文  参考訳（メタデータ） (2022-08-16T08:03:30Z)
• Back to the Source: Diffusion-Driven Test-Time Adaptation [77.4229736436935]
  テスト時間適応はテスト入力を利用し、シフトしたターゲットデータ上でテストした場合、ソースデータに基づいてトレーニングされたモデルの精度を向上させる。 代わりに、生成拡散モデルを用いて、すべてのテスト入力をソース領域に向けて投影することで、ターゲットデータを更新する。
  論文  参考訳（メタデータ） (2022-07-07T17:14:10Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。