論文の概要: SPARK: Stochastic Propagation via Affinity-guided Random walK for training-free unsupervised segmentation
- arxiv url: http://arxiv.org/abs/2602.00516v1
- Date: Sat, 31 Jan 2026 05:12:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-03 19:28:33.231141
- Title: SPARK: Stochastic Propagation via Affinity-guided Random walK for training-free unsupervised segmentation
- Title（参考訳）: SPARK: トレーニング不要な教師なしセグメンテーションのための親和性誘導ランダムワルクによる確率的伝播
- Authors: Kunal Mahatha, Jose Dolz, Christian Desrosiers,
- Abstract要約: 訓練のないセグメンテーション法は、セグメンテーションが拡散に由来する親和性に対するスペクトルグラフ分割問題であるという暗黙的で限定的な仮定に依存している。
適応ラベルプルーニング戦略を用いてランダムウォークに基づく拡散を行うマルコフ伝搬方式を提案する。
提案手法は, 従来のスペクトルクラスタリング手法と比較して, よりシャープな境界, よりコヒーレントな領域, より安定したマスクを生成する。
- 参考スコア（独自算出の注目度）: 18.627047608492795
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We argue that existing training-free segmentation methods rely on an implicit and limiting assumption, that segmentation is a spectral graph partitioning problem over diffusion-derived affinities. Such approaches, based on global graph partitioning and eigenvector-based formulations of affinity matrices, suffer from several fundamental drawbacks, they require pre-selecting the number of clusters, induce boundary oversmoothing due to spectral relaxation, and remain highly sensitive to noisy or multi-modal affinity distributions. Moreover, many prior works neglect the importance of local neighborhood structure, which plays a crucial role in stabilizing affinity propagation and preserving fine-grained contours. To address these limitations, we reformulate training-free segmentation as a stochastic flow equilibrium problem over diffusion-induced affinity graphs, where segmentation emerges from a stochastic propagation process that integrates global diffusion attention with local neighborhoods extracted from stable diffusion, yielding a sparse yet expressive affinity structure. Building on this formulation, we introduce a Markov propagation scheme that performs random-walk-based label diffusion with an adaptive pruning strategy that suppresses unreliable transitions while reinforcing confident affinity paths. Experiments across seven widely used semantic segmentation benchmarks demonstrate that our method achieves state-of-the-art zero-shot performance, producing sharper boundaries, more coherent regions, and significantly more stable masks compared to prior spectral-clustering-based approaches.
- Abstract（参考訳）: 既存の学習自由なセグメンテーション法は暗黙的および限定的な仮定に依存しており、セグメンテーションは拡散親和性に対するスペクトルグラフ分割問題であると主張する。
このようなアプローチは、大域的なグラフ分割と固有ベクトルに基づくアフィニティ行列の定式化に基づいており、いくつかの基本的な欠点に悩まされている。
さらに、多くの先行研究は、親和性伝播の安定化ときめ細かい輪郭の保存において重要な役割を担っている地域構造の重要性を無視している。
これらの制約に対処するため、我々は、拡散誘起親和性グラフ上の確率流平衡問題として訓練自由セグメンテーションを再構成し、このセグメンテーションは、安定拡散から抽出された局所近傍にグローバル拡散注意を統合する確率伝播過程から生じ、スパースで表現力のある親和性構造をもたらす。
この定式化に基づいて,安定な親和性パスを補強しつつ,信頼できない遷移を抑制する適応的プルーニング戦略を用いてランダムウォークに基づくラベル拡散を行うマルコフ伝搬方式を提案する。
7つのセマンティックセグメンテーション・ベンチマークを用いて実験したところ、我々の手法は最先端のゼロショット性能を達成し、よりシャープな境界、よりコヒーレントな領域、そして従来のスペクトルクラスタリングに基づくアプローチよりもはるかに安定したマスクを生み出すことがわかった。
関連論文リスト
- Adaptive Partitioning and Learning for Stochastic Control of Diffusion Processes [3.058685580689604]
非有界連続状態空間を持つ制御拡散過程に対する強化学習について検討する。
連立状態-作用空間を適応的に分割するモデルに基づくアルゴリズムを提案する。
この適応スキームは探索と近似のバランスをとり、非有界領域での効率的な学習を可能にする。
論文 参考訳（メタデータ） (2025-12-17T00:52:19Z) - Foundations of Diffusion Models in General State Spaces: A Self-Contained Introduction [54.95522167029998]
この記事は、一般状態空間上の拡散に関する自己完結プライマーである。
我々は、その連続時間限界とともに離散時間ビュー(マルコフカーネルを経由し、逆ダイナミクスを学習する)を開発する。
一般的な変量処理は、標準の訓練損失を支えるELBOをもたらす。
論文 参考訳（メタデータ） (2025-12-04T18:55:36Z) - NERVE: Neighbourhood & Entropy-guided Random-walk for training free open-Vocabulary sEgmentation [18.627047608492795]
NERVE (Open-Vocabulary Semantics, OVSS) の学習自由化手法を提案する。
NERVEはグローバルおよび微粒な局所情報を統合し、安定拡散モデルの自己アテンション層から近傍構造を利用する。
我々の手法は、条件付きランダムフィールド(CRF)や画素適応マスクリファインメント(PAMR)のような従来の後処理技術を必要としない。
論文 参考訳（メタデータ） (2025-11-11T13:43:57Z) - Effective Test-Time Scaling of Discrete Diffusion through Iterative Refinement [51.54933696252104]
離散拡散に適した新しいテスト時間スケーリング手法であるイテレーティブ・リワードガイドリファインメント(IterRef)を導入する。
我々は、このプロセスをMultiple-Try Metropolisフレームワークで形式化し、報酬整合分布への収束を証明した。
IterRefは計算予算の低さで大幅に上昇し、最先端のベースラインをはるかに超えている。
論文 参考訳（メタデータ） (2025-11-04T02:33:23Z) - Graph-based Clustering Revisited: A Relaxation of Kernel $k$-Means Perspective [73.18641268511318]
本稿では,クラスタリング結果を導出するための正規制約のみを緩和するグラフベースのクラスタリングアルゴリズムを提案する。
二重制約を勾配に変換するために、非負の制約をクラス確率パラメータに変換する。
論文 参考訳（メタデータ） (2025-09-23T09:14:39Z) - Robust Spectral Fuzzy Clustering of Multivariate Time Series with Applications to Electroencephalogram [6.62414474989199]
スペクトル領域にファジィクラスタリングフレームワークを導入し、変数間の周波数特異なモノトニックな関係を抽出する。
本手法は、クラスタリング精度を向上させるために、周波数ベースのクロスリージョン接続パターンを優先的に活用する。
フラッグシップアプリケーションとして脳波記録を解析し,潜在認知状態の周波数・接続性特異的マーカーを明らかにする。
論文 参考訳（メタデータ） (2025-06-28T12:02:01Z) - Convergence of Score-Based Discrete Diffusion Models: A Discrete-Time Analysis [56.442307356162864]
連続時間マルコフ連鎖(CTMC)に基づくスコアベース離散拡散モデルの理論的側面について検討する。
本稿では,事前定義された時間点におけるスコア推定値を利用する離散時間サンプリングアルゴリズムを一般状態空間$[S]d$に導入する。
我々の収束解析はジルサノフ法を用いて離散スコア関数の重要な性質を確立する。
論文 参考訳（メタデータ） (2024-10-03T09:07:13Z) - Correspondence-Free Non-Rigid Point Set Registration Using Unsupervised Clustering Analysis [28.18800845199871]
非教師なしクラスタリング解析に触発された、新しい非厳密な点集合登録法を提案する。
提案手法は,様々なシナリオにおいて高い精度を達成し,競争相手をはるかに上回っている。
論文 参考訳（メタデータ） (2024-06-27T01:16:44Z) - Tackling Ambiguity from Perspective of Uncertainty Inference and Affinity Diversification for Weakly Supervised Semantic Segmentation [12.308473939796945]
画像レベルのラベルを持つ弱教師付きセマンティックセマンティックセグメンテーション(WSSS)は、退屈なアノテーションを使わずに高密度なタスクを実現することを目的としている。
WSSSの性能、特にクラス活性化マップ(CAM)の生成と擬似マスクの精製の段階では、あいまいさに悩まされている。
統一された単一ステージWSSSフレームワークであるUniAを提案し、不確実性推論と親和性多様化の観点からこの問題に対処する。
論文 参考訳（メタデータ） (2024-04-12T01:54:59Z) - Distributed Markov Chain Monte Carlo Sampling based on the Alternating
Direction Method of Multipliers [143.6249073384419]
本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。
我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。
シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
論文 参考訳（メタデータ） (2024-01-29T02:08:40Z)
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。