論文の概要: Bridging the Geometry Mismatch: Frequency-Aware Anisotropic Serialization for Thin-Structure SSMs

• arxiv url: http://arxiv.org/abs/2603.28503v1
• Date: Mon, 30 Mar 2026 14:39:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.445486
• Title: Bridging the Geometry Mismatch: Frequency-Aware Anisotropic Serialization for Thin-Structure SSMs
• Title（参考訳）: 幾何学的ミスマッチのブリッジ:薄膜SSMのための周波数対応異方性シリアライゼーション
• Authors: Jin Bai, Huiyao Zhang, Qi Wen, Ningyang Li, Shengyang Li, Atta ur Rahman, Xiaolin Tian,
• Abstract要約: FGOS-Netは周波数許容型幾何学的歪みに基づくフレームワークである。 4つの挑戦的なベンチマークで、一貫して強力なベースラインを上回ります。 91.3% mIoUと97.1% clDiceをDeepCrackで達成し、80 FPSで7.87 GFLOPしか走らない。
• 参考スコア（独自算出の注目度）: 6.490344405865677
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The segmentation of thin linear structures is inherently topology allowbreak-critical, where minor local errors can sever long-range connectivity. While recent State-Space Models (SSMs) offer efficient long-range modeling, their isotropic serialization (e.g., raster scanning) creates a geometry mismatch for anisotropic targets, causing state propagation across rather than along the structure trajectories. To address this, we propose FGOS-Net, a framework based on frequency allowbreak-geometric disentanglement. We first decompose features into a stable topology carrier and directional high-frequency bands, leveraging the latter to explicitly correct spatial misalignments induced by downsampling. Building on this calibrated topology, we introduce frequency-aligned scanning that elevates serialization to a geometry-conditioned decision, preserving direction-consistent traces. Coupled with an active probing strategy to selectively inject high-frequency details and suppress texture ambiguity, FGOS-Net consistently outperforms strong baselines across four challenging benchmarks. Notably, it achieves 91.3% mIoU and 97.1% clDice on DeepCrack while running at 80 FPS with only 7.87 GFLOPs.
• Abstract（参考訳）: 細い線形構造のセグメンテーションは本質的にトポロジーの許容限界であり、小さな局所誤差は長距離接続を断ち切る。 最近の状態空間モデル(SSM)は効率的な長距離モデリングを提供するが、その等方的シリアライゼーション(例えばラスタースキャン)は異方的対象に対する幾何学的ミスマッチを生成し、構造軌道に沿ってではなく状態伝播を引き起こす。 そこで本稿では,周波数レシーブ・幾何学的歪みに基づくフレームワークであるFGOS-Netを提案する。 我々はまず,特徴を安定なトポロジキャリアと指向性高周波帯域に分解し,後者を利用してダウンサンプリングによって引き起こされる空間的不整合を明示的に補正する。 この校正トポロジに基づいて、直列化を幾何条件決定に高める周波数整列走査を導入し、方向整合トレースを保存する。 FGOS-Netは、高周波の詳細を選択的に注入し、テクスチャのあいまいさを抑えるアクティブな探索戦略と組み合わせて、4つの挑戦的なベンチマークにおいて、強いベースラインを一貫して上回る。 特に、DeepCrackで91.3% mIoUと97.1% clDiceを達成したが、80 FPSで7.87 GFLOPしか走らなかった。

関連論文リスト

• Alternating Gradient Flow Utility: A Unified Metric for Structural Pruning and Dynamic Routing in Deep Networks [52.153950303594684]
  交互勾配流(Alternating Gradient Flow, AGF)に着想を得た非結合型運動パラダイムを提案する。 AGFはネットワークの構造的「運動ユーティリティ」を正確にキャプチャする 我々は、AGFに誘導されるオフライン構造探索を、ゼロコストの物理プリミティブを介してオンライン実行から切り離すハイブリッドルーティングフレームワークを設計する。
  論文  参考訳（メタデータ） (2026-03-12T18:19:21Z)
• Supervised Metric Regularization Through Alternating Optimization for Multi-Regime Physics-Informed Neural Networks [0.0]
  PINNは、分岐のような急激な状態遷移を持つ力学系をモデル化する際に、しばしば課題に直面している。 我々は,この課題を,Supervised Metric Regularizationによる潜在空間によって緩和することを目的としたTopology-Aware PINN(TAPINN)を提案する。 Duffingの予備実験では、標準ベースラインはスペクトルバイアスと高容量勾配ネットワークのオーバーフィットに悩まされているが、本手法は、マルチ出力ソボレフ誤差ベースラインよりも2.18倍低い分散と、ハイパーネットワークベースの代替よりも5倍少ないパラメータで安定した収束を実現する。
  論文  参考訳（メタデータ） (2026-02-10T17:06:57Z)
• From Sparse Sensors to Continuous Fields: STRIDE for Spatiotemporal Reconstruction [3.2580743227673694]
  時空間デコーダを用いた高次元空間場を潜時状態にマッピングするフレームワークSTRIDEを提案する。 STRIDEは超高分解能をサポートし、超高分解能をサポートし、ノイズに対して頑健であることを示す。
  論文  参考訳（メタデータ） (2026-02-04T04:39:23Z)
• Fluxamba: Topology-Aware Anisotropic State Space Models for Geological Lineament Segmentation in Multi-Source Remote Sensing [6.815807403335458]
  トポロジ対応の機能修正フレームワークを導入した軽量アーキテクチャを提案する。 F Fluxambaは3.4Mパラメータと6.3G FLOPで24FPS以上のリアルタイム推論速度を達成する。
  論文  参考訳（メタデータ） (2026-01-24T03:55:21Z)
• Sheaf Graph Neural Networks via PAC-Bayes Spectral Optimization [13.021238902084647]
  グラフニューラルネットワーク(GNN)のオーバースムース化は、異なるノード機能で崩壊を引き起こす。 SGPC (Sheaf GNNs with PAC-Bayes) は,セルラーシェーフメッセージパッシングと複数のメカニズムを組み合わせた統一アーキテクチャである。 9つのホモ親和性およびヘテロ親和性ベンチマークの実験により、SGPCは最先端スペクトルおよび層ベースGNNよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2025-08-01T06:39:28Z)
• Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
  ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。 本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
  論文  参考訳（メタデータ） (2024-11-21T14:19:32Z)
• SGCNeRF: Few-Shot Neural Rendering via Sparse Geometric Consistency Guidance [136.15885067858298]
  本研究では、空間的に一貫した幾何フィルタリング機構と周波数誘導幾何正規化戦略により強化された特徴マッチングに基づくスパース幾何正規化モジュールを提案する。 実験により, SGCNeRFは, LLFFおよびDTUにおけるPSNRの0.7dBの改善により, 優れた幾何整合性を実現し, かつFreeNeRFを超えていることが示された。
  論文  参考訳（メタデータ） (2024-04-01T08:37:57Z)
• Dense Non-Rigid Structure from Motion: A Manifold Viewpoint [162.88686222340962]
  Non-Rigid Structure-from-Motion (NRSfM) 問題は、複数のフレームにまたがる2次元特徴対応から変形物体の3次元形状を復元することを目的としている。 提案手法は,ノイズに対する精度,スケーラビリティ,堅牢性を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-06-15T09:15:54Z)

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。