論文の概要: 2D Gaussians Spatial Transport for Point-supervised Density Regression

• arxiv url: http://arxiv.org/abs/2511.14477v1
• Date: Tue, 18 Nov 2025 13:16:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:53.129323
• Title: 2D Gaussians Spatial Transport for Point-supervised Density Regression
• Title（参考訳）: 点監督密度回帰のための2次元ガウス空間輸送
• Authors: Miao Shang, Xiaopeng Hong,
• Abstract要約: 本稿では,画像座標空間の確率測度からアノテーションマップへの移動を容易にするためにガウススプラッティングを利用する新しいフレームワークを提案する。 本稿では,ベイズ確率から導かれる移動計画を計算するために,画素アノテーション対応を推定する手法を提案する。 クラウドカウントやランドマーク検出など,コンピュータビジョンの代表的なタスクに関する実験により,我々のアプローチの有効性が検証された。
• 参考スコア（独自算出の注目度）: 32.39131587673642
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces Gaussian Spatial Transport (GST), a novel framework that leverages Gaussian splatting to facilitate transport from the probability measure in the image coordinate space to the annotation map. We propose a Gaussian splatting-based method to estimate pixel-annotation correspondence, which is then used to compute a transport plan derived from Bayesian probability. To integrate the resulting transport plan into standard network optimization in typical computer vision tasks, we derive a loss function that measures discrepancy after transport. Extensive experiments on representative computer vision tasks, including crowd counting and landmark detection, validate the effectiveness of our approach. Compared to conventional optimal transport schemes, GST eliminates iterative transport plan computation during training, significantly improving efficiency. Code is available at https://github.com/infinite0522/GST.
• Abstract（参考訳）: 本稿では,画像座標空間の確率測度からアノテーションマップへの移動を容易にするために,ガウススプラッティングを利用した新しいフレームワークであるガウス空間輸送(GST)を紹介する。 本稿では,ガウススプラッティングを用いた画素アノテート対応推定法を提案し,ベイズ確率から導かれる輸送計画を計算する。 典型的なコンピュータビジョンタスクにおいて、結果として生じるトランスポート計画と標準的なネットワーク最適化を統合するために、トランスポート後の不一致を計測する損失関数を導出する。 クラウドカウントやランドマーク検出など,コンピュータビジョンの代表的なタスクに関する大規模な実験により,我々のアプローチの有効性が検証された。 従来の最適輸送方式と比較して、GSTは訓練中の反復輸送計画計算を排除し、効率を大幅に改善する。 コードはhttps://github.com/infinite0522/GSTで入手できる。

関連論文リスト

• Unified Linear Parametric Map Modeling and Perception-aware Trajectory Planning for Mobile Robotics [1.7495208770207367]
  本稿では,高次元空間にデータをマッピングする軽量な線形パラメトリックマップを提案する。 UAVでは,Euclidean Signed Distance Field (ESDF) マップを用いた。 UGVでは、モデルは地形を特徴づけ、クローズドフォーム勾配を提供し、オンラインプランニングによって大きな穴を回避できる。
  論文  参考訳（メタデータ） (2025-07-12T16:39:19Z)
• InfoOT: Information Maximizing Optimal Transport [58.72713603244467]
  InfoOTは最適な輸送の情報理論の拡張である。 幾何学的距離を最小化しながら、ドメイン間の相互情報を最大化する。 この定式化は、外れ値に対して堅牢な新しい射影法をもたらし、目に見えないサンプルに一般化する。
  論文  参考訳（メタデータ） (2022-10-06T18:55:41Z)
• GAN Estimation of Lipschitz Optimal Transport Maps [0.0]
  本稿では,ニューラルネットワークに基づく2つの確率分布間の最適輸送マップの統計的に一貫した最初の推定手法を提案する。 正則性仮定の下で、得られた生成元は、サンプルサイズが無限大に増加するにつれて、最適輸送写像に一様収束することを示した。 統計的保証や実用性に対処する従来の作業とは対照的に、最適な輸送用途に道を開くための表現的かつ実現可能な推定器を提供する。
  論文  参考訳（メタデータ） (2022-02-16T10:15:56Z)
• An Optimal Transport Perspective on Unpaired Image Super-Resolution [97.24140709634203]
  実世界の画像超解像(SR)タスクは、しばしばペア化されたデータセットを持たず、教師付き技術の適用を制限する。 このようなモデルで生じる最適化問題を調査し、2つの驚くべき観測結果を得る。 学習した写像が偏りがあること、すなわち、低解像度画像の分布を高解像度画像に変換するものではないことを実証し、実証的に示す。
  論文  参考訳（メタデータ） (2022-02-02T16:21:20Z)
• Neural Optimal Transport [82.2689844201373]
  本稿では、最適な輸送マップを計算し、強力で弱い輸送コストを計画するニューラルネットベースの新しいアルゴリズムを提案する。 ニューラルネットワークが確率分布間の輸送計画の普遍的近似であることを示す。
  論文  参考訳（メタデータ） (2022-01-28T16:24:13Z)
• Approximating Optimal Transport via Low-rank and Sparse Factorization [19.808887459724893]
  最適なトランスポート(OT)は、様々な機械学習アプリケーションで自然に発生するが、しばしば計算ボトルネックとなる。 輸送計画を低ランク行列とスパース行列の和に分解できる新しいOT近似法を提案する。
  論文  参考訳（メタデータ） (2021-11-12T03:10:45Z)
• Do Neural Optimal Transport Solvers Work? A Continuous Wasserstein-2 Benchmark [133.46066694893318]
  最適輸送のためのニューラルネットワークに基づく解法の性能を評価する。 既存の解法では,下流タスクでは良好に機能するにもかかわらず,最適な輸送マップを復元できないことがわかった。
  論文  参考訳（メタデータ） (2021-06-03T15:59:28Z)
• Comparing Probability Distributions with Conditional Transport [63.11403041984197]
  新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。 ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。 さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
  論文  参考訳（メタデータ） (2020-12-28T05:14:22Z)
• Statistical Optimal Transport posed as Learning Kernel Embedding [0.0]
  この研究は、統計学的最適輸送(OT)を、輸送計画のカーネルの平均埋め込みをサンプルベースによる限界埋め込みの推定から学習する、という新しいアプローチを採っている。 重要な結果は、非常に穏やかな条件下では、$epsilon$-optimal recovery of the transport plan と Barycentric-projection based transport map が、完全に次元のないサンプル複雑性で可能であることである。
  論文  参考訳（メタデータ） (2020-02-08T14:58:53Z)

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。