論文の概要: Diff-KD: Diffusion-based Knowledge Distillation for Collaborative Perception under Corruptions

• arxiv url: http://arxiv.org/abs/2604.02061v1
• Date: Thu, 02 Apr 2026 13:57:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.836516
• Title: Diff-KD: Diffusion-based Knowledge Distillation for Collaborative Perception under Corruptions
• Title（参考訳）: Diff-KD:破壊下での協調知覚のための拡散に基づく知識蒸留
• Authors: Pengcheng Lyu, Chaokun Zhang, Gong Chen, Tao Tang, Zhaoxiang Luo,
• Abstract要約: Diff-KDは、拡散に基づく生成的洗練を教師による知識蒸留に統合し、堅牢な協調認識を実現するフレームワークである。 D Diff-KDは、検出精度と校正堅牢性の両方において最先端の性能を達成する。
• 参考スコア（独自算出の注目度）: 6.449349066553295
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-agent collaborative perception enables autonomous systems to overcome individual sensing limits through collective intelligence. However, real-world sensor and communication corruptions severely undermine this advantage. Crucially, existing approaches treat corruptions as static perturbations or passively conform to corrupted inputs, failing to actively recover the underlying clean semantics. To address this limitation, we introduce Diff-KD, a framework that integrates diffusion-based generative refinement into teacher-student knowledge distillation for robust collaborative perception. Diff-KD features two core components: (i) Progressive Knowledge Distillation (PKD), which treats local feature restoration as a conditional diffusion process to recover global semantics from corrupted observations; and (ii) Adaptive Gated Fusion (AGF), which dynamically weights neighbors based on ego reliability during fusion. Evaluated on OPV2V and DAIR-V2X under seven corruption types, Diff-KD achieves state-of-the-art performance in both detection accuracy and calibration robustness.
• Abstract（参考訳）: マルチエージェント協調認識により、自律システムは集団知性によって個々の知覚限界を克服することができる。 しかし、現実世界のセンサーと通信の汚職は、この利点を著しく損なう。 重要なことは、既存のアプローチは、汚職を静的な摂動として扱うか、あるいは汚い入力に受動的に順応し、根底にあるクリーンセマンティクスを積極的に回復することができない。 この制限に対処するために、拡散に基づく生成的洗練を教師が学習する知識蒸留に統合し、堅牢な協調認識を実現するフレームワークであるDiff-KDを紹介する。 Diff-KDは2つのコアコンポーネントを備えている。 一 局所的特徴回復を条件付き拡散過程として扱い、腐敗した観察からグローバルな意味を回復する進歩的知識蒸留(PKD) (II)アダプティブ・ゲーテッド・フュージョン (AGF) は, 核融合時のエゴ信頼性に基づいて, 近隣者を動的に重み付けする。 OPV2VとDAIR-V2Xを7種類の汚損タイプで評価し、Diff-KDは検出精度と校正ロバスト性の両方において最先端の性能を達成する。

関連論文リスト

• CoopDiff: A Diffusion-Guided Approach for Cooperation under Corruptions [3.5064111344207394]
  CoopDiffは拡散に基づく協調認識フレームワークである。 これはデノナイジング機構を通じて汚職を緩和する。 すべての分解タイプで先行メソッドを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-03-02T10:16:19Z)
• DIS2: Disentanglement Meets Distillation with Classwise Attention for Robust Remote Sensing Segmentation under Missing Modalities [28.992992584085787]
  DIS2は、モダリティ共有機能依存からアクティブでガイド付き機能不足補償へ移行した新しいパラダイムである。 補償的特徴は、利用可能なモダリティの特徴と融合すると、フルモダリティの場合の理想的フューズド表現に近似する。 提案手法はベンチマーク間で最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2026-01-20T01:33:54Z)
• CKDA: Cross-modality Knowledge Disentanglement and Alignment for Visible-Infrared Lifelong Person Re-identification [77.07028925223383]
  生涯にわたる人物再識別は、異なるシナリオから継続的に収集された個々のデータを同一人物と一致させることを目的としている。 日夜の連続した日中マッチングを実現するために、Visible-Infrared Lifelong person Re-IDentification (VI-LReID) は、可視および赤外線モダリティからのデータのシーケンシャルトレーニングに重点を置いている。 既存の方法は、伝統的知識の破滅的な忘れを和らげるために、クロスモーダルな知識蒸留を利用するのが一般的である。
  論文  参考訳（メタデータ） (2025-11-19T01:30:29Z)
• GAFD-CC: Global-Aware Feature Decoupling with Confidence Calibration for OOD Detection [23.24843065154377]
  現実世界のアプリケーションにおける学習モデルの信頼性と堅牢性を確保するために、アウト・オブ・ディストリビューション(OOD)検出が最重要である。 既存のポストホックなOOD検出手法は、その特徴とログ情報を再トレーニングせずに活用することで、OODサンプルを検出する。 本稿では,GAFD-CC(Global-Aware Feature Decoupling with Confidence)を提案する。
  論文  参考訳（メタデータ） (2025-11-04T07:40:29Z)
• Fair Deepfake Detectors Can Generalize [51.21167546843708]
  共同設立者(データ分散とモデルキャパシティ)の制御により,公正な介入による一般化が向上することを示す。 この知見を応用して, 逆正当性重み付けとサブグループワイド特徴正規化を併用し, 新たなアライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・インセンティブ・インターベンション・インベンション・インテクション(DAID)を提案する。 DAIDは、いくつかの最先端技術と比較して、公平性と一般化の両方において一貫して優れた性能を達成する
  論文  参考訳（メタデータ） (2025-07-03T14:10:02Z)
• Divide-Then-Align: Honest Alignment based on the Knowledge Boundary of RAG [51.120170062795566]
  本稿では,問合せが知識境界外にある場合の"I don't know"で応答する機能を備えたRAGシステムを実現するためのDTAを提案する。 DTAは適切な棄権と精度のバランスをとり、検索強化システムの信頼性と信頼性を高める。
  論文  参考訳（メタデータ） (2025-05-27T08:21:21Z)
• Uncertainty-based Offline Variational Bayesian Reinforcement Learning for Robustness under Diverse Data Corruptions [8.666879925570331]
  実世界のオフラインデータセットは、しばしばセンサーの故障や悪意のある攻撃によるデータ破損にさらされる。 既存の手法は、破損したデータによって引き起こされる高い不確実性の下で堅牢なエージェントを学ぶのに苦労している。 オフラインRL(TRACER)に対するロバストな変分ベイズ推定法を提案する。
  論文  参考訳（メタデータ） (2024-11-01T09:28:24Z)
• Rectified Diffusion Guidance for Conditional Generation [94.83538269086613]
  CFGの背後にある理論を再検討し、不適切な組合せ係数(textiti.e.)が生成分布を期待的にシフトさせることを厳密に確認する。 提案手法は, 強みを考慮すれば, textbftextitform ソリューションが有効であることを示す。 実世界のデータに関する実証的な証拠は、我々の設計と既存の最先端拡散モデルとの整合性を実証している。
  論文  参考訳（メタデータ） (2024-10-24T13:41:32Z)
• Enhancing Infrared Small Target Detection Robustness with Bi-Level Adversarial Framework [61.34862133870934]
  本稿では,異なる汚職の存在下での検出の堅牢性を促進するために,二段階の対向的枠組みを提案する。 我々の手法は広範囲の汚職で21.96%のIOUを著しく改善し、特に一般ベンチマークで4.97%のIOUを推進している。
  論文  参考訳（メタデータ） (2023-09-03T06:35:07Z)
• CoSDA: Continual Source-Free Domain Adaptation [78.47274343972904]
  ソースデータにアクセスせずに、ソースフリードメイン適応(SFDA)は、ソースドメインのトレーニングされたモデルからターゲットドメインに知識を転送する。 最近では、ソースドメインのデータプライバシ保護の必要性から、SFDAの人気が高まっている。 教師-学生モデルペアを2倍高速に最適化し,整合性学習機能を備えた,CoSDAという連続的ソースフリードメイン適応手法を提案する。
  論文  参考訳（メタデータ） (2023-04-13T15:53:23Z)

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。