論文の概要: SerpentFlow: Generative Unpaired Domain Alignment via Shared-Structure Decomposition

• arxiv url: http://arxiv.org/abs/2601.01979v1
• Date: Mon, 05 Jan 2026 10:33:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.967727
• Title: SerpentFlow: Generative Unpaired Domain Alignment via Shared-Structure Decomposition
• Title（参考訳）: SerpentFlow: 共有構造分解によるドメインアライメントの生成
• Authors: Julie Keisler, Anastase Alexandre Charantonis, Yannig Goude, Boutheina Oueslati, Claire Monteleoni,
• Abstract要約: ドメインアライメントとは、異なるドメインからのデータ分布間の対応を学習することを指す。 未ペアドメインアライメントのための生成フレームワークであるSerpentFlowを紹介します。 SerpentFlowは、潜在空間内のデータを、ドメインとドメイン固有のコンポーネントの両方に共通する共有コンポーネントに分解する。
• 参考スコア（独自算出の注目度）: 2.619686509101502
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain alignment refers broadly to learning correspondences between data distributions from distinct domains. In this work, we focus on a setting where domains share underlying structural patterns despite differences in their specific realizations. The task is particularly challenging in the absence of paired observations, which removes direct supervision across domains. We introduce a generative framework, called SerpentFlow (SharEd-structuRe decomPosition for gEnerative domaiN adapTation), for unpaired domain alignment. SerpentFlow decomposes data within a latent space into a shared component common to both domains and a domain-specific one. By isolating the shared structure and replacing the domain-specific component with stochastic noise, we construct synthetic training pairs between shared representations and target-domain samples, thereby enabling the use of conditional generative models that are traditionally restricted to paired settings. We apply this approach to super-resolution tasks, where the shared component naturally corresponds to low-frequency content while high-frequency details capture domain-specific variability. The cutoff frequency separating low- and high-frequency components is determined automatically using a classifier-based criterion, ensuring a data-driven and domain-adaptive decomposition. By generating pseudo-pairs that preserve low-frequency structures while injecting stochastic high-frequency realizations, we learn the conditional distribution of the target domain given the shared representation. We implement SerpentFlow using Flow Matching as the generative pipeline, although the framework is compatible with other conditional generative approaches. Experiments on synthetic images, physical process simulations, and a climate downscaling task demonstrate that the method effectively reconstructs high-frequency structures consistent with underlying low-frequency patterns, supporting shared-structure decomposition as an effective strategy for unpaired domain alignment.
• Abstract（参考訳）: ドメインアライメントとは、異なるドメインからのデータ分布間の対応を学習することを指す。 本研究では、ドメインが特定の実現法の違いにもかかわらず、基礎となる構造パターンを共有できるような設定に焦点をあてる。 このタスクは、ドメイン間の直接の監督を取り除くペア化された観察が欠如している場合、特に困難である。 本稿では、未ペアドメインアライメントのための生成フレームワークであるSerpentFlow(SharEd-structuRe decomPosition for gEnerative domaiN adapTation)を紹介する。 SerpentFlowは、潜在空間内のデータを、ドメインとドメイン固有のコンポーネントの両方に共通する共有コンポーネントに分解する。 共有構造を分離し、ドメイン固有のコンポーネントを確率的ノイズに置き換えることで、共有表現とターゲットドメインサンプルの合成訓練ペアを構築し、従来ペア設定に制限されていた条件生成モデルの使用を可能にする。 この手法を超分解能タスクに適用し、共有コンポーネントは自然に低周波コンテンツに対応し、高周波の詳細はドメイン固有の変数をキャプチャする。 低周波成分と高周波成分を分離する遮断周波数は、分類器ベースの基準を用いて自動的に決定され、データ駆動およびドメイン適応分解が保証される。 確率的高周波化を注入しながら低周波構造を保った擬似ペアを生成することにより,共有表現が与えられた対象領域の条件分布を学習する。 生成パイプラインとしてFlow Matchingを使用してSerpentFlowを実装しているが,フレームワークは他の条件付き生成アプローチと互換性がある。 合成画像, 物理プロセスシミュレーション, 気候下降作業に関する実験により, 基礎となる低周波パターンに整合した高周波構造を効果的に再構築し, 共有構造分解を未整備領域アライメントの効果的な戦略として支持することを示した。

関連論文リスト

• Exploiting Aggregation and Segregation of Representations for Domain Adaptive Human Pose Estimation [50.31351006532924]
  人間のポーズ推定(HPE)は最近、モーション分析、バーチャルリアリティー、ヘルスケア等に広く応用されているため、注目を集めている。 時間と労働集約的なアノテーションのために、ラベル付き現実世界のデータセットが不足している。 本稿では,ドメイン適応型人間のポーズ推定のための表現集約と分離を両立させる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-29T17:59:45Z)
• StyDeSty: Min-Max Stylization and Destylization for Single Domain Generalization [85.18995948334592]
  単一のドメインの一般化(単一DG)は、単一のトレーニングドメインからのみ見えないドメインに一般化可能な堅牢なモデルを学ぶことを目的としている。 最先端のアプローチは、主に新しいデータを合成するために、敵対的な摂動やスタイルの強化といったデータ拡張に頼っている。 データ拡張の過程で、ソースと擬似ドメインのアライメントを明示的に考慮したemphStyDeStyを提案する。
  論文  参考訳（メタデータ） (2024-06-01T02:41:34Z)
• Compositional Semantic Mix for Domain Adaptation in Point Cloud Segmentation [65.78246406460305]
  合成意味混合は、ポイントクラウドセグメンテーションのための最初の教師なし領域適応技術である。 本稿では、ソースドメイン(例えば合成)からの点雲とターゲットドメイン(例えば実世界)からの点雲を同時に処理できる2分岐対称ネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-08-28T14:43:36Z)
• Bidirectional Domain Mixup for Domain Adaptive Semantic Segmentation [73.3083304858763]
  本稿では,ドメイン適応型セマンティックセグメンテーションタスクにおけるミックスアップの影響を系統的に研究する。 具体的には、ドメインミックスアップをカットとペーストという2ステップで実現します。 フレームワークの主なコンポーネントを実証的に検証するために、広範囲にわたるアブレーション実験を行います。
  論文  参考訳（メタデータ） (2023-03-17T05:22:44Z)
• Cross-Domain Ensemble Distillation for Domain Generalization [17.575016642108253]
  クロスドメイン・アンサンブル蒸留(XDED)という,シンプルで効果的な領域一般化法を提案する。 本手法は,同じラベルを持つトレーニングデータから,異なるドメインから出力ロジットのアンサンブルを生成し,そのアンサンブルとのミスマッチに対して各出力をペナルティ化する。 本手法で学習したモデルは, 敵攻撃や画像の破損に対して堅牢であることを示す。
  論文  参考訳（メタデータ） (2022-11-25T12:32:36Z)
• CDCGen: Cross-Domain Conditional Generation via Normalizing Flows and Adversarial Training [8.457436805755657]
  本稿では,フローの正規化と,最大習熟度と逆習熟度を併用した移動学習に基づくフレームワークを提案する。 我々は、ソースドメイン(ラベルが利用可能)とターゲットドメイン(ラベルが利用できない)を個別の正規化フローでモデル化し、逆微分器を用いて共通の潜在空間にドメインアライメントを行う。 本手法は,属性変換による非自明な拡張を生成することで,ラベルスカースシステムにおける合成データ生成に特に有用であると考えられる。
  論文  参考訳（メタデータ） (2021-08-25T17:55:14Z)
• Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
  教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。 従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。 本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-12T09:45:39Z)

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。