論文の概要: MuViS: Multimodal Virtual Sensing Benchmark

• arxiv url: http://arxiv.org/abs/2603.24602v1
• Date: Fri, 13 Mar 2026 14:36:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 02:36:13.037797
• Title: MuViS: Multimodal Virtual Sensing Benchmark
• Title（参考訳）: MuViS:マルチモーダルバーチャルセンシングベンチマーク
• Abstract要約: MuViSはマルチモーダル仮想センシングのためのドメインに依存しないベンチマークスイートである。 多様なデータセットを標準化された前処理と評価のための統一インターフェースに統合する。
• 参考スコア（独自算出の注目度）: 1.3634095123869487
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Virtual sensing aims to infer hard-to-measure quantities from accessible measurements and is central to perception and control in physical systems. Despite rapid progress from first-principle and hybrid models to modern data-driven methods research remains siloed, leaving no established default approach that transfers across processes, modalities, and sensing configurations. We introduce MuViS, a domain-agnostic benchmarking suite for multimodal virtual sensing that consolidates diverse datasets into a unified interface for standardized preprocessing and evaluation. Using this framework, we benchmark established approaches spanning gradient-boosted decision trees and deep neural network (NN) architectures, and show that none of these provides a universal advantage, underscoring the need for generalizable virtual sensing architectures. MuViS is released as an open-source, extensible platform for reproducible comparison and future integration of new datasets and model classes.
• Abstract（参考訳）: 仮想センシングは、手軽に測定できる量から測定し、物理的システムにおける知覚と制御の中心となることを目的としている。 ファーストプリンシプルやハイブリッドモデルから最新のデータ駆動方式の研究への急速な進歩にもかかわらず、プロセス、モダリティ、センシング構成を移行する確立されたデフォルトのアプローチは残っていない。 マルチモーダル仮想センシングのためのドメインに依存しないベンチマークスイートであるMuViSを導入し、多様なデータセットを標準化された前処理と評価のための統一インターフェースに統合する。 このフレームワークを用いて、勾配ブースト決定木とディープニューラルネットワーク(NN)アーキテクチャにまたがる確立したアプローチをベンチマークし、これらが一般化可能な仮想センシングアーキテクチャの必要性を裏付ける普遍的な優位性を提供するものではないことを示した。 MuViSは、再現可能な比較と、新しいデータセットとモデルクラスの将来の統合のための、オープンソースで拡張可能なプラットフォームとしてリリースされた。

関連論文リスト

• Continual Learning with Elastic Regularization and Synthetic Replay for Federated MLLM Fine-Tuning [15.445619998280243]
  Federated Continual Multimodal Learning (FedCMM)は、フェデレート最適化ループに継続的学習セーフガードを組み込むフレームワークである。 FedCMMは、精度と後方転送の最近のベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-07-13T19:40:30Z)
• Toward Native Multimodal Modeling: A Roadmap [73.2994129763275]
  マルチモーダルモデリングは、モダリティに依存しない推論から世界モデリングへの重要なステップである。 近年の取り組みは、パラダイムをネイティブなマルチモーダルモデリングへとシフトさせてきた。 その可能性にもかかわらず、ネイティブアーキテクチャの設計空間は未だ十分に定義されていない。
  論文  参考訳（メタデータ） (2026-05-25T01:57:43Z)
• DISC: Dense Integrated Semantic Context for Large-Scale Open-Set Semantic Mapping [5.520073359436354]
  オープンセットセマンティックマッピングは、言語駆動型ロボット知覚を可能にする。 現在のインスタンス中心のアプローチは、コンテキスト分離と計算コストの高い作物ベースの特徴抽出によってボトルネック化されている。 DISC(Dense Integrated Semantic Context)を導入し,新しいシングルパス,距離重み付き抽出機構を特徴とする。
  論文  参考訳（メタデータ） (2026-03-04T10:47:06Z)
• Modeling Cross-vision Synergy for Unified Large Vision Model [130.37489011094036]
  PolyVは、アーキテクチャレベルとトレーニングレベルの両方で、クロスビジョンのシナジーを実現する統一された大型ビジョンモデルである。 PolyVは既存のモデルを一貫して上回り、バックボーンの10%以上の平均的な改善を実現している。
  論文  参考訳（メタデータ） (2026-03-03T22:44:43Z)
• DAMBench: A Multi-Modal Benchmark for Deep Learning-based Atmospheric Data Assimilation [14.776071715723262]
  DAMBenchは,実環境下でのデータ駆動型DAモデルを評価するための,最初の大規模マルチモーダルベンチマークである。 DAMBenchは最先端の予測システムと実世界のマルチモーダル観測から高品質なバックグラウンド状態を統合する。 統一評価プロトコルとベンチマークデータ同化手法を提供する。
  論文  参考訳（メタデータ） (2025-11-03T11:26:26Z)
• The Quest for Generalizable Motion Generation: Data, Model, and Evaluation [66.57596758773309]
  本稿では,ViGenからMoGenへの知識伝達を,データ,モデリング,評価という3つの重要な柱を通じて体系的に行うフレームワークを提案する。 まず,228,000個の高品質な動作サンプルからなる大規模データセットViMoGen-228Kを紹介する。 第2に,フローマッチングに基づく拡散変換器であるViMoGenを提案する。 第3に,動作品質,迅速な忠実度,一般化能力の詳細な評価を目的とした階層型ベンチマークであるMBenchを提案する。
  論文  参考訳（メタデータ） (2025-10-30T17:59:27Z)
• Place Recognition Meet Multiple Modalitie: A Comprehensive Review, Current Challenges and Future Directions [2.4775350526606355]
  位置認識の最近の進歩を概観し,3つの方法論的パラダイムを強調した。 CNNベースのアプローチ、トランスフォーマーベースのフレームワーク、およびクロスモーダル戦略について議論する。 我々は現在の研究課題を特定し、ドメイン適応、リアルタイムパフォーマンス、生涯学習を含む今後の方向性を概説し、この領域の今後の進歩を刺激する。
  論文  参考訳（メタデータ） (2025-05-20T08:16:37Z)
• Vision Mamba in Remote Sensing: A Comprehensive Survey of Techniques, Applications and Outlook [46.65330450810048]
  状態空間モデル(SSM)は、線形計算スケーリングとグローバルコンテキストモデリングを組み合わせたパラダイムシフトソリューションとして登場した。 本調査では,約120個のマンバを用いたリモートセンシング研究を体系的に分析し,マンバをベースとしたリモートセンシング手法の総合的なレビューを行った。 i)ビジョン・マンバのアーキテクチャの基礎原理、(ii)適応スキャン戦略やハイブリッドSSMの定式化のようなマイクロアーキテクチャの進歩、(iii)CNN-Transformer-Mambaハイブリッドや周波数領域適応、(iv)状態に対する厳密なベンチマークなど、マクロアーキテクチャの統合。
  論文  参考訳（メタデータ） (2025-05-01T16:07:51Z)
• 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)
• Towards Scale Consistent Monocular Visual Odometry by Learning from the Virtual World [83.36195426897768]
  仮想データから絶対スケールを取得するための新しいフレームワークであるVRVOを提案する。 まず、モノクロ実画像とステレオ仮想データの両方を用いて、スケール対応の異種ネットワークをトレーニングする。 結果として生じるスケール一貫性の相違は、直接VOシステムと統合される。
  論文  参考訳（メタデータ） (2022-03-11T01:51:54Z)

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。