Fugu-MT 論文翻訳(概要): Beyond Segmentation: Structurally Informed Facade Parsing from Imperfect Images

論文の概要: Beyond Segmentation: Structurally Informed Facade Parsing from Imperfect Images

arxiv url: http://arxiv.org/abs/2604.09260v1
Date: Fri, 10 Apr 2026 12:20:07 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-13 17:57:53.852309
Title: Beyond Segmentation: Structurally Informed Facade Parsing from Imperfect Images
Title（参考訳）: セグメンテーションを超えて:不完全な画像から構造的にインフォームドされたファサード解析
Abstract要約: 標準オブジェクト検出器はアーキテクチャ要素を独立に処理し、構造コヒーレンスを欠いたファサード解析を行う。我々は、YOLOv8トレーニング目標をカスタム軽量アライメント損失で拡張することで、この制限に対処する。 CMPデータセットの実験により,本手法は構造規則性の向上に成功していることが示された。
参考スコア（独自算出の注目度）: 42.698418800007865
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Standard object detectors typically treat architectural elements independently, often resulting in facade parsings that lack the structural coherence required for downstream procedural reconstruction. We address this limitation by augmenting the YOLOv8 training objective with a custom lightweight alignment loss. This regularization encourages grid-consistent arrangements of bounding boxes during training, effectively injecting geometric priors without altering the standard inference pipeline. Experiments on the CMP dataset demonstrate that our method successfully improves structural regularity, correcting alignment errors caused by perspective and occlusion while maintaining a controllable trade-off with standard detection accuracy.
Abstract（参考訳）: 標準オブジェクト検出器は通常、アーキテクチャ要素を独立して扱うが、しばしばファサード解析の結果、下流の手続き的再構築に必要な構造的一貫性が欠如している。我々は、YOLOv8トレーニング目標をカスタム軽量アライメント損失で拡張することで、この制限に対処する。この正規化は、トレーニング中の有界ボックスのグリッド一貫性の配置を促進し、標準推論パイプラインを変更することなく、幾何学的事前を効果的に注入する。 CMPデータセットにおける実験により,本手法は,標準検出精度で制御可能なトレードオフを維持しつつ,視点や閉塞によるアライメント誤差を補正し,構造規則性の向上に成功していることが示された。

関連論文リスト

Initialization-Free Bundle Adjustment Revisited: A Controlled Experimental Study [55.50399455527231]
初期化自由バンドル調整(InitFree BA)は、画像観察から直接カメラポーズとシーン構造を復元することを目的としている。オブジェクト空間誤差(OSE)の定式化と可変射影(VarPro)に基づく最近の手法は、ランダムカメラ構成からの最適化挙動を奨励している。我々は,既存のOSE定式化のC++実装とBlenderベースのデータセット生成器を組み合わせた統一評価フレームワークにより,InitFree BAを実験的に再検討する。
論文参考訳（メタデータ） (2026-08-18T17:23:06Z)
FAIR: Feature-Augmented Implicit Regularization for AI-generated Fake Image Detection [5.673956549751241]
AI生成画像検出において、一般化は依然として重要なボトルネックである。 FAIR(Feature-Augmented Implicit Regularization)を提案する。我々は、FAIRが精度を最大8.04%向上させ、ゼロショット転送シナリオにおける新しい最先端のロバスト性を確立することを示す。
論文参考訳（メタデータ） (2026-07-24T08:34:56Z)
Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
論文参考訳（メタデータ） (2026-05-25T09:57:46Z)
Beyond Point-Wise Matching: Structural Representation Alignment for Accelerating Diffusion Transformers [93.3976834364707]
本稿では,特徴写像のリレーショナル幾何における整合性を実現する構造的RePresentation AlignmentフレームワークであるsREPAを提案する。モデルが事前訓練された特徴から全体的空間配置と構造的相関を内包するように促すことにより、sREPAはより高速でより安定した収束を達成する。
論文参考訳（メタデータ） (2026-05-16T12:01:04Z)
SpectraFlow: Unifying Structural Pretraining and Frequency Adaptation for Medical Image Segmentation [3.182068203318624]
近年の自己監督型プレトレーニングでは伝達性が改善されているが、テクスチャバイアスがしばしば現れる。本稿では,構造認識型エンコーダの事前学習と境界指向デコーディングを併用する2段階のフレームワークを提案する。 ISIC-2016、Kvasir-SEG、GlaSの実験は最先端の手法よりも一貫した利得を示している。
論文参考訳（メタデータ） (2026-05-14T08:37:10Z)
Explicit Dropout: Deterministic Regularization for Transformer Architectures [55.09895958546215]
ドロップアウトはディープラーニングにおいて広く使われている正規化手法であるが、その効果は一般的にマスキングによって実現される。トレーニング損失に直接組み込まれた加算正則化器としてドロップアウトを表現する決定論的定式化を提案する。
論文参考訳（メタデータ） (2026-04-22T12:45:51Z)
REZE: Representation Regularization for Domain-adaptive Text Embedding Pre-finetuning [5.853890728403084]
最近のテキストモデルは、散在する不均一なタスクのコレクション上で、対照的な事前ファインタニング(PFT)によって、しばしば特殊ドメインに適合する。このアプローチは多くの場合、ドメイン知識と並行してタスクによって引き起こされるバイアスを導入し、制御されていない表現シフトをもたらす。埋め込み前ファインタニング中の表現シフトを明示的に制御する表現正規化フレームワークであるRを提案する。
論文参考訳（メタデータ） (2026-04-19T04:41:55Z)
IoUCert: Robustness Verification for Anchor-based Object Detectors [58.35703549470485]
IoUCertは、アンカーベースのオブジェクト検出アーキテクチャにおいて、これらのボトルネックを克服するために設計された、新しい形式的検証フレームワークである。本手法は, SSD, YOLOv2, YOLOv3など, 現実的なアンカーベースモデルの各種入力摂動に対するロバスト性検証を可能にする。
論文参考訳（メタデータ） (2026-03-03T14:36:46Z)
Alignment-Aware Model Adaptation via Feedback-Guided Optimization [27.93864970404945]
ファインチューニングは、ファンデーションモデルを下流タスクに適応するための主要なメカニズムである。本稿では,外部アライメント信号からのフィードバックをポリシー段階の正規化を通じて統合するアライメント対応微調整フレームワークを提案する。
論文参考訳（メタデータ） (2026-02-02T16:03:16Z)
Revisiting Reconstruction-based AI-generated Image Detection: A Geometric Perspective [50.83711509908479]
幾何学的観点からの再構成誤差に対するヤコビアンスペクトル下界の導入について述べる。再構成多様体上の実画像は非自明な誤差下界を示し、多様体上の生成された画像はゼロに近い誤差を持つことを示す。本稿では,構造化編集操作を活用することで動的再構成誤差を計算できるReGapを提案する。
論文参考訳（メタデータ） (2025-10-29T03:45:03Z)
Architecture independent generalization bounds for overparametrized deep ReLU networks [0.9687141267566189]
過度パラメータ化ニューラルネットワークは、過度パラメータ化のレベルに依存しないテストエラーで一般化できることを示す。入力空間次元で有界なトレーニングサンプルサイズを持つ過度にパラメータ化された深部ReLUネットワークに対して、勾配勾配を使わずにゼロ損失最小化器を明示的に構築する。
論文参考訳（メタデータ） (2025-04-08T05:37:38Z)
Enhancing Robustness of Vision-Language Models through Orthogonality Learning and Self-Regularization [77.62516752323207]
そこで本研究では,事前訓練した重みを効率よく微調整する直交微調整法を導入し,頑健さと一般化の強化を実現した。自己正規化戦略は、OrthSRと呼ばれるVLMのゼロショット一般化の観点から安定性を維持するためにさらに活用される。筆者らはCLIPとCoOpを再検討し,少数の画像のクラスフィシエーションシナリオにおけるモデルの改善を効果的に行う。
論文参考訳（メタデータ） (2024-07-11T10:35:53Z)
Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文参考訳（メタデータ） (2022-06-23T14:16:30Z)

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。