論文の概要: Dense Cross-Scale Image Alignment With Fully Spatial Correlation and Just Noticeable Difference Guidance
- arxiv url: http://arxiv.org/abs/2511.09028v1
- Date: Thu, 13 Nov 2025 01:26:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-13 22:34:54.364337
- Title: Dense Cross-Scale Image Alignment With Fully Spatial Correlation and Just Noticeable Difference Guidance
- Title（参考訳）: 空間相関と特徴的差分誘導による高次元画像アライメント
- Authors: Jinkun You, Jiaxue Li, Jie Zhang, Yicong Zhou,
- Abstract要約: 既存の教師なし画像アライメント手法は、限られた精度と高い計算複雑性を示す。
本稿では,階層的特徴間の相関を考慮し,アライメントの困難さを低減するため,高密度なクロススケール画像アライメントモデルを提案する。
我々のモデルは、使用するスケール数を調整することにより、精度と効率の柔軟なトレードオフをサポートする。
- 参考スコア（独自算出の注目度）: 44.06973005232111
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Existing unsupervised image alignment methods exhibit limited accuracy and high computational complexity. To address these challenges, we propose a dense cross-scale image alignment model. It takes into account the correlations between cross-scale features to decrease the alignment difficulty. Our model supports flexible trade-offs between accuracy and efficiency by adjusting the number of scales utilized. Additionally, we introduce a fully spatial correlation module to further improve accuracy while maintaining low computational costs. We incorporate the just noticeable difference to encourage our model to focus on image regions more sensitive to distortions, eliminating noticeable alignment errors. Extensive quantitative and qualitative experiments demonstrate that our method surpasses state-of-the-art approaches.
- Abstract（参考訳）: 既存の教師なし画像アライメント手法は、限られた精度と高い計算複雑性を示す。
これらの課題に対処するため,我々は高密度なクロススケール画像アライメントモデルを提案する。
それは、アライメントの困難さを軽減するために、クロススケールな特徴間の相関を考慮する。
我々のモデルは、使用するスケール数を調整することにより、精度と効率の柔軟なトレードオフをサポートする。
さらに,計算コストを低く抑えながら精度を向上する空間相関モジュールも導入した。
我々のモデルは、歪みに敏感な画像領域に焦点を合わせ、顕著なアライメントエラーを排除できるように、最も注目すべき違いを取り入れています。
大規模な定量的および定性的実験により、我々の手法が最先端のアプローチを超越していることが証明された。
関連論文リスト
- Navigating the Alignment-Calibration Trade-off: A Pareto-Superior Frontier via Model Merging [35.958192369444056]
ポストトレーニングの「アライメント税」は通常、タスクの正確さの低下として表される。
また、キャリブレーションが著しく失われ、モデルが過度に信頼され、信頼性が低く、モデル出力がより多様になることも示しています。
このトレードオフは、モデルの重みの補間とアライメント前後の補間という、単純なポストホック介入によって効果的にナビゲートできることを示す。
論文 参考訳（メタデータ） (2025-10-20T11:12:41Z) - Stochastic Interpolants via Conditional Dependent Coupling [36.84747986070112]
既存の画像生成モデルは、計算と忠実性のトレードオフに関して重要な課題に直面している。
提案した条件依存結合戦略に基づく統合型多段階生成フレームワークを提案する。
生成過程を複数の段階で補間軌道に分解し、エンドツーエンドの最適化を可能にしながら正確な分布学習を保証する。
論文 参考訳（メタデータ） (2025-09-27T05:03:08Z) - Overcoming Distribution Mismatch in Quantizing Image Super-Resolution Networks [53.23803932357899]
量子化は画像超解像(SR)ネットワークの精度を低下させる。
既存の作業は、テスト時間中に量子化範囲を動的に適応することで、この分散ミスマッチ問題に対処する。
本稿では,SRネットワークにおける分散ミスマッチ問題を効果的に克服する量子化対応学習手法を提案する。
論文 参考訳（メタデータ） (2023-07-25T08:50:01Z) - Parallax-Tolerant Unsupervised Deep Image Stitching [57.76737888499145]
本稿では,パララックス耐性の非教師あり深層画像縫合技術であるUDIS++を提案する。
まず,グローバルなホモグラフィから局所的な薄板スプライン運動への画像登録をモデル化するための,頑健で柔軟なワープを提案する。
本研究では, 縫合された画像をシームレスに合成し, シーム駆動合成マスクの教師なし学習を行うことを提案する。
論文 参考訳（メタデータ） (2023-02-16T10:40:55Z) - On Calibrating Semantic Segmentation Models: Analyses and An Algorithm [51.85289816613351]
セマンティックセグメンテーションキャリブレーションの問題について検討する。
モデルキャパシティ、作物サイズ、マルチスケールテスト、予測精度はキャリブレーションに影響を及ぼす。
我々は、単純で統一的で効果的なアプローチ、すなわち選択的スケーリングを提案する。
論文 参考訳（メタデータ） (2022-12-22T22:05:16Z) - Differentiable Uncalibrated Imaging [25.67247660827913]
本稿では,センサ位置や投影角などの測定座標の不確実性に対処する,識別可能なイメージングフレームワークを提案する。
入力座標に対して自然に微分可能な暗黙のニューラルネットワーク、別名ニューラルフィールドを適用する。
測定表現を協調的に適合させ、不確実な測定座標を最適化し、一貫したキャリブレーションを保証する画像再構成を行うため、微分性は鍵となる。
論文 参考訳（メタデータ） (2022-11-18T22:48:09Z) - High Quality Segmentation for Ultra High-resolution Images [72.97958314291648]
超高分解能セグメンテーション精錬作業のための連続精細モデルを提案する。
提案手法は画像分割精細化において高速かつ効果的である。
論文 参考訳（メタデータ） (2021-11-29T11:53:06Z)
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。