Fugu-MT 論文翻訳(概要): RobIA: Robust Instance-aware Continual Test-time Adaptation for Deep Stereo

論文の概要: RobIA: Robust Instance-aware Continual Test-time Adaptation for Deep Stereo

arxiv url: http://arxiv.org/abs/2511.10107v1
Date: Fri, 14 Nov 2025 01:33:08 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-14 22:53:22.699144
Title: RobIA: Robust Instance-aware Continual Test-time Adaptation for Deep Stereo
Title（参考訳）: RobIA: ディープステレオのためのロバストなインスタンス対応連続的なテスト時間適応
Authors: Jueun Ko, Hyewon Park, Hyesong Choi, Dongbo Min,
Abstract要約: RobIAは、ステレオ深度推定における連続的なテスト時間適応のための新しいRobust, Instance-Awareフレームワークである。 RobIA は,(1) Attend-and-Excite Mixture-of-Experts (AttEx-MoE) と (2) Robust AdaptBN Teacher の2つの重要なコンポーネントを統合している。
参考スコア（独自算出の注目度）: 18.836469118006594
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Stereo Depth Estimation in real-world environments poses significant challenges due to dynamic domain shifts, sparse or unreliable supervision, and the high cost of acquiring dense ground-truth labels. While recent Test-Time Adaptation (TTA) methods offer promising solutions, most rely on static target domain assumptions and input-invariant adaptation strategies, limiting their effectiveness under continual shifts. In this paper, we propose RobIA, a novel Robust, Instance-Aware framework for Continual Test-Time Adaptation (CTTA) in stereo depth estimation. RobIA integrates two key components: (1) Attend-and-Excite Mixture-of-Experts (AttEx-MoE), a parameter-efficient module that dynamically routes input to frozen experts via lightweight self-attention mechanism tailored to epipolar geometry, and (2) Robust AdaptBN Teacher, a PEFT-based teacher model that provides dense pseudo-supervision by complementing sparse handcrafted labels. This strategy enables input-specific flexibility, broad supervision coverage, improving generalization under domain shift. Extensive experiments demonstrate that RobIA achieves superior adaptation performance across dynamic target domains while maintaining computational efficiency.
Abstract（参考訳）: 現実世界環境におけるステレオ深度推定は、動的ドメインシフト、スパースまたは信頼性の低い監督、高密度の地層トラスラベル取得のコストによる重大な課題を生じさせる。最近のTest-Time Adaptation (TTA) 手法は有望なソリューションを提供するが、ほとんどの場合、静的な対象領域の仮定と入力不変な適応戦略に依存し、連続的なシフトの下での有効性を制限する。本稿では,連続的テスト時間適応(CTTA)のための新しいロバスト・インスタンス・アウェア・フレームワークであるRobIAを提案する。 RobIA は,(1) Attend-and-Excite Mixture-of-Experts (AttEx-MoE) と (2) Robust AdaptBN Teacher の2つの重要なコンポーネントを統合している。この戦略は、入力固有の柔軟性、広範囲の監視カバレッジ、ドメインシフト時の一般化の改善を可能にする。大規模な実験により、RobIAは計算効率を保ちながら、動的対象領域にまたがる優れた適応性能を達成できることが示された。

関連論文リスト

OmniVL-Guard: Towards Unified Vision-Language Forgery Detection and Grounding via Balanced RL [63.388513841293616]
既存の偽造検出手法は、現実世界の誤報に多いインターリーブされたテキスト、画像、ビデオを扱うのに失敗する。このギャップを埋めるため,本論文では,オムニバス・ビジョン言語による偽造検出と接地のための統一フレームワークの開発を目標としている。我々は、OmniVL-Guardという、オムニバス視覚言語による偽造検出と接地のためのバランスの取れた強化学習フレームワークを提案する。
論文参考訳（メタデータ） (2026-02-11T09:41:36Z)
Steering Vision-Language Pre-trained Models for Incremental Face Presentation Attack Detection [62.89126207012712]
顔提示攻撃検出(PAD)は、スプーフィング戦術やドメインと戦うために漸進的な学習を要求する。過去のデータ保持を禁止し、リハーサルフリーラーニング(RF-IL)を必要とするプライバシー規制
論文参考訳（メタデータ） (2025-12-22T04:30:11Z)
Sparsity-Controllable Dynamic Top-p MoE for Large Foundation Model Pre-training [30.589225478300023]
DTop-pは空間制御可能な動的Top-pルーティング機構である。 DTop-pはTop-kベースラインとTop-pベースラインの両方を一貫して上回ることを示す。 DTop-pは、専門家の粒度、専門家のキャパシティ、モデルサイズ、データセットサイズに関して、強力なスケーリング特性を示す。
論文参考訳（メタデータ） (2025-12-16T01:28:57Z)
Grounded Test-Time Adaptation for LLM Agents [75.62784644919803]
大規模言語モデル(LLM)ベースのエージェントは、新規で複雑な環境への一般化に苦慮している。環境特化情報を活用することで, LLMエージェントを適応するための2つの戦略を提案する。
論文参考訳（メタデータ） (2025-11-06T22:24:35Z)
ALFred: An Active Learning Framework for Real-world Semi-supervised Anomaly Detection with Adaptive Thresholds [2.1374208474242815]
ビデオ異常検出(VAD)は、ビデオ中の異常な活動を見つける上で重要な役割を果たす。 VADは、人間の行動の動的な性質、環境の変化、ドメインシフトにより、現実世界での使用が困難である。 VADに適したアクティブラーニングフレームワークを導入する。
論文参考訳（メタデータ） (2025-08-12T16:18:54Z)
Learning Robust Stereo Matching in the Wild with Selective Mixture-of-Experts [29.52183168979229]
SMoEStereoは,Low-Rank Adaptation (LoRA) とMixture-of-Experts (MoE) モジュールの融合により,VFMをステレオマッチングに適用する新しいフレームワークである。提案手法は,データセット固有の適応を伴わない複数のベンチマークに対して,最先端のクロスドメインと共同一般化を示す。
論文参考訳（メタデータ） (2025-07-07T03:19:04Z)
Towards Robust Multimodal Open-set Test-time Adaptation via Adaptive Entropy-aware Optimization [9.03028904066824]
オープンセットテスト時間適応(OSTTA)は、未知のクラスを含む未ラベルのターゲットドメインに、オンラインのソース事前トレーニングモデルを適用することを目的としている。マルチモーダルオープンセットテスト時間適応に特化して設計された新しいフレームワークであるAdaptive Entropy-aware Optimization (AEO)を提案する。
論文参考訳（メタデータ） (2025-01-23T18:59:30Z)
Enhancing Test Time Adaptation with Few-shot Guidance [62.49199492255226]
深層ニューラルネットワークは、トレーニング(ソース)とテスト(ターゲット)データのドメインシフトに直面しながら、大きなパフォーマンス低下に直面することが多い。 TTA(Test Time Adaptation)法は,事前学習したソースモデルを用いて,配信外ストリーミングターゲットデータを処理する手法として提案されている。本稿では,Few-Shot Test Time Adaptation (FS-TTA) を開発した。
論文参考訳（メタデータ） (2024-09-02T15:50:48Z)
Exploring Test-Time Adaptation for Object Detection in Continually Changing Environments [20.307151769610087]
連続的テスト時間適応(CTTA)は、目標ドメインを継続的に変更するソーストレーニングモデルに徐々に適応する、有望な手法として登場した。我々は3つのコアコンポーネントを特徴とするAMRODについて,CTTAシナリオにおける検出モデルに対するこれらの課題に対処する。我々は,AMRODが既存の方法よりも優れている4つのCTTAオブジェクト検出タスクにおいて,AMRODの有効性を実証する。
論文参考訳（メタデータ） (2024-06-24T08:30:03Z)
PointFix: Learning to Fix Domain Bias for Robust Online Stereo Adaptation [54.734201944510026]
本稿では,PointFixと呼ばれるメタラーニングフレームワークに補助的なポイント選択型ネットワークを導入することを提案する。簡単に言えば、我々の補助的ネットワークは、メタグラディエントを通じて局所情報を効果的にバックプロパゲートすることで、局所的変異を集中的に修正することを学ぶ。このネットワークはモデルに依存しないため、プラグイン・アンド・プレイ方式であらゆる種類のアーキテクチャで使用することができる。
論文参考訳（メタデータ） (2022-07-27T07:48:29Z)
AdaStereo: An Efficient Domain-Adaptive Stereo Matching Approach [50.855679274530615]
本稿では,AdaStereoというドメイン適応型アプローチを提案する。我々のモデルは、KITTI、Middlebury、ETH3D、DrivingStereoなど、複数のベンチマークで最先端のクロスドメイン性能を実現している。提案手法は,様々なドメイン適応設定に対して堅牢であり,迅速な適応アプリケーションシナリオや実環境展開に容易に組み込むことができる。
論文参考訳（メタデータ） (2021-12-09T15:10:47Z)
Robust Object Detection via Instance-Level Temporal Cycle Confusion [89.1027433760578]
物体検出器の分布外一般化を改善するための補助的自己監視タスクの有効性を検討する。最大エントロピーの原理に触発されて,新しい自己監督タスクであるインスタンスレベル時間サイクル混乱(cycconf)を導入する。それぞれのオブジェクトに対して、タスクは、ビデオ内の隣接するフレームで最も異なるオブジェクトの提案を見つけ、自己スーパービジョンのために自分自身にサイクルバックすることです。
論文参考訳（メタデータ） (2021-04-16T21:35:08Z)

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。