論文の概要: Manifold-Preserving Superpixel Hierarchies and Embeddings for the Exploration of High-Dimensional Images

• arxiv url: http://arxiv.org/abs/2602.24160v1
• Date: Fri, 27 Feb 2026 16:40:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-02 19:48:24.518482
• Title: Manifold-Preserving Superpixel Hierarchies and Embeddings for the Exploration of High-Dimensional Images
• Title（参考訳）: 高次元画像探索のためのマニフォールド保存スーパーピクセル階層と埋め込み
• Authors: Alexander Vieth, Boudewijn Lelieveldt, Elmar Eisemann, Anna Vilanova, Thomas Höllt,
• Abstract要約: 構築中に高次元属性多様体を考慮に入れた高次元画像のためのスーパーピクセル階層を提案する。 提案手法は,画像空間と属性空間の両方における高次元画像の一貫した探索を可能にする。
• 参考スコア（独自算出の注目度）: 44.208662556948106
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-dimensional images, or images with a high-dimensional attribute vector per pixel, are commonly explored with coordinated views of a low-dimensional embedding of the attribute space and a conventional image representation. Nowadays, such images can easily contain several million pixels. For such large datasets, hierarchical embedding techniques are better suited to represent the high-dimensional attribute space than flat dimensionality reduction methods. However, available hierarchical dimensionality reduction methods construct the hierarchy purely based on the attribute information and ignore the spatial layout of pixels in the images. This impedes the exploration of regions of interest in the image space, since there is no congruence between a region of interest in image space and the associated attribute abstractions in the hierarchy. In this paper, we present a superpixel hierarchy for high-dimensional images that takes the high-dimensional attribute manifold into account during construction. Through this, our method enables consistent exploration of high-dimensional images in both image and attribute space. We show the effectiveness of this new image-guided hierarchy in the context of embedding exploration by comparing it with classical hierarchical embedding-based image exploration in two use cases.
• Abstract（参考訳）: 1ピクセルあたりの高次元の属性ベクトルを持つ高次元画像は、属性空間と従来の画像表現の低次元の埋め込みの座標ビューで探索されるのが一般的である。 今日では、そのような画像は容易に数百万ピクセルを含むことができる。 このような大きなデータセットの場合、階層的な埋め込み技術は平坦な次元減少法よりも高次元の属性空間を表現するのに適している。 しかし,その属性情報に基づいて階層構造を構築し,画像中の画素の空間配置を無視する。 これは、画像空間における関心領域と階層内の関連属性抽象化との間には一致しないため、画像空間における関心領域の探索を妨げる。 本稿では,高次元の属性多様体を考慮した高次元画像のスーパーピクセル階層について述べる。 これにより,画像空間と属性空間の両方で高次元画像を一貫した探索が可能となる。 本稿では,2つのユースケースにおいて,従来の階層的埋め込みに基づく画像探索と比較することにより,埋め込み探索の文脈における新たな画像誘導階層の有効性を示す。

関連論文リスト

• Spatial Latent Representations in Generative Adversarial Networks for Image Generation [0.0]
  StyleGAN2 に対して空間潜在空間の族を定義する。 我々の空間は画像操作や意味情報のエンコードに有効であることを示す。
  論文  参考訳（メタデータ） (2023-03-25T20:01:11Z)
• Diffusion and Volume Maximization-Based Clustering of Highly Mixed Hyperspectral Images [5.16230883032882]
  本稿では,非教師付き材料識別のためのemphDiffusion and Volume-based Image Clustering (emphD-VIC)アルゴリズムについて紹介する。 D-VICは、高密度で高純度な他の高密度の高純度画素から遠く離れたハイパースペクトル画像中の、高密度で高純度なピクセルのクラスタモードを見つける。 D-VICアップウェイトピクセルは、1つの材料だけを含む空間領域に対応し、より解釈可能なクラスタリングをもたらす。
  論文  参考訳（メタデータ） (2022-03-18T14:39:42Z)
• Incorporating Texture Information into Dimensionality Reduction for High-Dimensional Images [65.74185962364211]
  距離ベース次元削減手法に周辺情報を組み込む手法を提案する。 画像パッチを比較する異なる手法の分類に基づいて,様々なアプローチを探索する。
  論文  参考訳（メタデータ） (2022-02-18T13:17:43Z)
• Decision boundaries and convex hulls in the feature space that deep learning functions learn from images [0.0]
  画像から抽出・学習する低次元多様体の特性について検討する。 画像分類モデルでは、最後に隠されたレイヤは、各クラスのイメージが他のクラスから分離され、最小限の機能を持つ層である。 特徴空間における決定境界の幾何学的配置は画素空間とは大きく異なる。
  論文  参考訳（メタデータ） (2022-02-05T15:09:51Z)
• Low-Rank Subspaces in GANs [101.48350547067628]
  この研究は、GAN生成をより正確に制御できる低ランクな部分空間を導入している。 LowRankGAN は属性多様体の低次元表現を見つけることができる。 さまざまなデータセットでトレーニングされた最先端のGANモデル(StyleGAN2やBigGANなど)の実験は、私たちのLowRankGANの有効性を示しています。
  論文  参考訳（メタデータ） (2021-06-08T16:16:32Z)
• The Intrinsic Dimension of Images and Its Impact on Learning [60.811039723427676]
  自然画像データは従来の画素表現の高次元にもかかわらず低次元構造を示すと広く信じられている。 本研究では,一般的なデータセットに次元推定ツールを適用し,深層学習における低次元構造の役割を検討する。
  論文  参考訳（メタデータ） (2021-04-18T16:29:23Z)
• Superpixel Segmentation Based on Spatially Constrained Subspace Clustering [57.76302397774641]
  独立意味情報を持つ各代表領域を部分空間とみなし,部分空間クラスタリング問題としてスーパーピクセルセグメンテーションを定式化する。 従来のサブスペースクラスタリングとスーパーピクセルセグメンテーションの簡単な統合は,画素の空間相関のために効果的に機能しないことを示す。 本稿では,空間隣接画素に類似の属性を付加してスーパーピクセルにクラスタリング可能な,凸局所性制約付きサブスペースクラスタリングモデルを提案する。
  論文  参考訳（メタデータ） (2020-12-11T06:18:36Z)
• Free-Form Image Inpainting via Contrastive Attention Network [64.05544199212831]
  画像の塗装作業では、複雑なパターンを形成する画像のどこにでも、どんな形でもマスクが現れる。 エンコーダはこの複雑な状況下でこのような強力な表現を捕捉することは困難である。 本稿では,ロバスト性と一般化性を改善するための自己教師型シームズ推論ネットワークを提案する。
  論文  参考訳（メタデータ） (2020-10-29T14:46:05Z)

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。