論文の概要: AnyUp: Universal Feature Upsampling

• arxiv url: http://arxiv.org/abs/2510.12764v1
• Date: Tue, 14 Oct 2025 17:45:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.425217
• Title: AnyUp: Universal Feature Upsampling
• Title（参考訳）: AnyUp:Universal Feature Upsampling
• Authors: Thomas Wimmer, Prune Truong, Marie-Julie Rakotosaona, Michael Oechsle, Federico Tombari, Bernt Schiele, Jan Eric Lenssen,
• Abstract要約: AnyUpはどんな視覚機能にもどんな解像度でも適用できる機能アップサンプリングのメソッドです。 DINOやCLIPのような既存の学習ベースのアップサンプラーは、すべての機能抽出器で再トレーニングする必要がある。
• 参考スコア（独自算出の注目度）: 90.67845351280933
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce AnyUp, a method for feature upsampling that can be applied to any vision feature at any resolution, without encoder-specific training. Existing learning-based upsamplers for features like DINO or CLIP need to be re-trained for every feature extractor and thus do not generalize to different feature types at inference time. In this work, we propose an inference-time feature-agnostic upsampling architecture to alleviate this limitation and improve upsampling quality. In our experiments, AnyUp sets a new state of the art for upsampled features, generalizes to different feature types, and preserves feature semantics while being efficient and easy to apply to a wide range of downstream tasks.
• Abstract（参考訳）: エンコーダ固有のトレーニングを必要とせずに,任意の視覚機能に任意の解像度で適用可能な機能アップサンプリング手法であるAnyUpを紹介した。 DINOやCLIPのような既存の学習ベースのアップサンプラーは、すべての機能抽出器で再トレーニングする必要があるため、推論時に異なる機能タイプに一般化する必要はない。 本研究では、この制限を緩和し、アップサンプリング品質を改善するために、推定時機能非依存のアップサンプリングアーキテクチャを提案する。 我々の実験では、AnyUpは、アップサンプド機能のための新しい最先端技術を設定し、異なる機能タイプに一般化し、さまざまな下流タスクに効率よく簡単に適用できながら、機能セマンティクスを保存します。

関連論文リスト

• LoftUp: Learning a Coordinate-Based Feature Upsampler for Vision Foundation Models [27.379438040350188]
  機能アップサンプリングは、この問題に対処するための有望な方向を提供する。 本稿では,高分解能画像を座標と低分解能VFM特徴と統合した座標ベースのクロスアテンション変換器を提案する。 提案手法は, 細かな細部を効果的に捉え, 様々な入力や特徴の分解能に柔軟に適用する。
  論文  参考訳（メタデータ） (2025-04-18T18:46:08Z)
• A Refreshed Similarity-based Upsampler for Direct High-Ratio Feature Upsampling [54.05517338122698]
  一般的な類似性に基づく機能アップサンプリングパイプラインが提案されている。 本稿では,セマンティック・アウェアとディテール・アウェアの両方の観点から,明示的に制御可能なクエリキー機能アライメントを提案する。 我々は,モーザイクアーティファクトを緩和する上ではシンプルだが有効であるHR特徴に対して,きめ細かな近傍選択戦略を開発する。
  論文  参考訳（メタデータ） (2024-07-02T14:12:21Z)
• Style Interleaved Learning for Generalizable Person Re-identification [69.03539634477637]
  DG ReIDトレーニングのための新しいスタイルインターリーブラーニング(IL)フレームワークを提案する。 従来の学習戦略とは異なり、ILには2つの前方伝播と1つの後方伝播が組み込まれている。 我々のモデルはDG ReIDの大規模ベンチマークにおいて最先端の手法を一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2022-07-07T07:41:32Z)
• Multi-view Feature Augmentation with Adaptive Class Activation Mapping [16.479606228303368]
  画像分類のために構築されたエンドツーエンドで訓練可能な機能拡張モジュールを提案する。 モデルロバスト性を改善するために,多様なマルチビューローカル機能をサンプリングし,アンサンブルする。 実験では、マルチビュー機能拡張モジュールによって達成された一貫性と顕著なパフォーマンス向上が示されています。
  論文  参考訳（メタデータ） (2022-06-26T19:05:27Z)
• BIMS-PU: Bi-Directional and Multi-Scale Point Cloud Upsampling [60.257912103351394]
  我々はBIMS-PUと呼ばれる新しいポイント・クラウド・アップサンプリング・パイプラインを開発した。 対象のサンプリング因子を小さな因子に分解することにより,アップ/ダウンサンプリング手順をいくつかのアップ/ダウンサンプリングサブステップに分解する。 提案手法は最先端手法よりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-25T13:13:37Z)
• POODLE: Improving Few-shot Learning via Penalizing Out-of-Distribution Samples [19.311470287767385]
  そこで本研究では,対象クラス外からのラベル付きサンプルの配布外サンプルを用いて,数発の学習を改善することを提案する。 提案手法は, 実装が簡単で, 特徴抽出器に非依存であり, 事前学習に要する追加コストを伴わず軽量であり, インダクティブ設定とトランスダクティブ設定の両方に適用可能である。
  論文  参考訳（メタデータ） (2022-06-08T18:59:21Z)
• Universal-Prototype Augmentation for Few-Shot Object Detection [128.4592084104352]
  Few-shot Object Detection (FSOD)は、ラベル付きサンプルの少ない新しいオブジェクト検出のパフォーマンスを強化することを目的とする。 少数のサンプルの制約を緩和するため、新しいオブジェクトの学習機能の一般化能力の向上が重要な役割を果たす。 我々は,すべての対象カテゴリから学習した新しいプロトタイプ,すなわちユニバーサルプロトタイプを提案する。
  論文  参考訳（メタデータ） (2021-03-01T15:35:36Z)

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。