論文の概要: Stable Single-Pixel Contrastive Learning for Semantic and Geometric Tasks

• arxiv url: http://arxiv.org/abs/2512.04970v1
• Date: Thu, 04 Dec 2025 16:38:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-05 21:11:46.276716
• Title: Stable Single-Pixel Contrastive Learning for Semantic and Geometric Tasks
• Title（参考訳）: 意味的・幾何学的課題に対する安定なシングルピクセルコントラスト学習
• Authors: Leonid Pogorelyuk, Niels Bracher, Aaron Verkleeren, Lars Kühmichel, Stefan T. Radev,
• Abstract要約: 我々のアプローチは、画像の各ピクセルをビュー不変かつ意味論的に意味のあるオーバーコンプリート記述子にマッピングする。 運動量に基づく教師学生の訓練を必要とせず、画像間の正確な対応を可能にする。
• 参考スコア（独自算出の注目度）: 2.5178202810957235
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We pilot a family of stable contrastive losses for learning pixel-level representations that jointly capture semantic and geometric information. Our approach maps each pixel of an image to an overcomplete descriptor that is both view-invariant and semantically meaningful. It enables precise point-correspondence across images without requiring momentum-based teacher-student training. Two experiments in synthetic 2D and 3D environments demonstrate the properties of our loss and the resulting overcomplete representations.
• Abstract（参考訳）: 我々は、セマンティックおよび幾何学的情報を共同でキャプチャする画素レベルの表現を学習するために、安定したコントラスト損失のファミリーを操縦する。 我々のアプローチは、画像の各ピクセルをビュー不変かつ意味論的に意味のあるオーバーコンプリート記述子にマッピングする。 運動量に基づく教師学生の訓練を必要とせず、画像間の正確な対応を可能にする。 合成2次元および3次元環境における2つの実験は、損失の性質と結果のオーバーコンプリート表現を実証する。

関連論文リスト

• Doppelgangers: Learning to Disambiguate Images of Similar Structures [76.61267007774089]
  幻像マッチングは、人間が区別することは困難であり、3D再構成アルゴリズムに誤った結果をもたらす可能性がある。 本稿では,視覚的曖昧化に対する学習に基づくアプローチを提案し,イメージペア上でのバイナリ分類タスクとして定式化する。 本手法は, 難易度の高い画像の一致を識別し, SfMパイプラインに統合することにより, 正確な3次元再構成を実現できることを示す。
  論文  参考訳（メタデータ） (2023-09-05T17:50:36Z)
• Self-Supervised Image-to-Point Distillation via Semantically Tolerant Contrastive Loss [18.485918870427327]
  本稿では, 画像領域と負の画像領域間の意味的距離を考慮に入れた, 意味論的に寛容な画像間のコントラスト損失を提案する。 提案手法は,最先端の2D-to-3D表現学習フレームワークを多種多様な自己教師付き事前学習モデルで一貫した性能を発揮する。
  論文  参考訳（メタデータ） (2023-01-12T19:58:54Z)
• Self-Supervised Image Representation Learning with Geometric Set Consistency [50.12720780102395]
  本稿では,3次元幾何整合性に基づく自己教師付き画像表現学習法を提案する。 具体的には、画像ビュー内の特徴整合性を強化するために、コントラスト学習フレームワークに3次元幾何学的整合性を導入する。
  論文  参考訳（メタデータ） (2022-03-29T08:57:33Z)
• Warp Consistency for Unsupervised Learning of Dense Correspondences [116.56251250853488]
  密接な対応を学習する上で重要な課題は、実画像対に対する地道整合の欠如である。 密な対応回帰のための教師なし学習目標であるWarp Consistencyを提案する。 私たちのアプローチは、MegaDepth、RobotCar、TSSなど、いくつかの挑戦的なベンチマークに新しい最先端を設定します。
  論文  参考訳（メタデータ） (2021-04-07T17:58:22Z)
• Joint Deep Multi-Graph Matching and 3D Geometry Learning from Inhomogeneous 2D Image Collections [57.60094385551773]
  非均質な画像コレクションから変形可能な3Dジオメトリモデルを学ぶためのトレーニング可能なフレームワークを提案する。 さらに,2次元画像で表現された物体の3次元形状も取得する。
  論文  参考訳（メタデータ） (2021-03-31T17:25:36Z)
• Self-Supervised 2D Image to 3D Shape Translation with Disentangled Representations [92.89846887298852]
  本稿では,2次元画像ビューと3次元オブジェクト形状を翻訳するフレームワークを提案する。 形状変換のための自己教師型画像変換フレームワークであるSISTを提案する。
  論文  参考訳（メタデータ） (2020-03-22T22:44:02Z)

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。