論文の概要: U$^{2}$Flow: Uncertainty-Aware Unsupervised Optical Flow Estimation

• arxiv url: http://arxiv.org/abs/2604.10056v1
• Date: Sat, 11 Apr 2026 06:40:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.815778
• Title: U$^{2}$Flow: Uncertainty-Aware Unsupervised Optical Flow Estimation
• Title（参考訳）: U$^{2}$Flow:不確かさを意識した教師なし光フロー推定
• Authors: Xunpei Sun, Wenwei Lin, Yi Chang, Gang Chen,
• Abstract要約: 教師なし光学流法は、信頼性の高い不確実性推定を欠き、その堅牢性と解釈可能性を制限する。 U$2$Flowは、光の流れと画素ごとの不確実性を共同で推定する最初の再帰的非教師付きフレームワークである。
• 参考スコア（独自算出の注目度）: 18.3748504668909
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised optical flow methods typically lack reliable uncertainty estimation, limiting their robustness and interpretability. We propose U$^{2}$Flow, the first recurrent unsupervised framework that jointly estimates optical flow and per-pixel uncertainty. The core innovation is a decoupled learning strategy that derives uncertainty supervision from augmentation consistency via a Laplace-based maximum likelihood objective, enabling stable training without ground truth. The predicted uncertainty is further integrated into the network to guide adaptive flow refinement and dynamically modulate the regional smoothness loss. Furthermore, we introduce an uncertainty-guided bidirectional flow fusion mechanism that enhances robustness in challenging regions. Extensive experiments on KITTI and Sintel demonstrate that U$^{2}$Flow achieves state-of-the-art performance among unsupervised methods while producing highly reliable uncertainty maps, validating the effectiveness of our joint estimation paradigm. The code is available at https://github.com/sunzunyi/U2FLOW.
• Abstract（参考訳）: 教師なし光学流法は、信頼性の高い不確実性推定を欠き、その堅牢性と解釈可能性を制限する。 U$^{2}$Flowは,光フローと画素ごとの不確実性を共同で推定する,最初の再帰的非教師付きフレームワークである。 中心となるイノベーションは、ラプラスをベースとした最大限の目標を通じて、不確実性管理から拡張整合性(augmentation consistency)を導出する、分離された学習戦略である。 予測された不確実性はさらにネットワークに統合され、適応的な流れの洗練を誘導し、局所的な滑らかさ損失を動的に変調する。 さらに,不確実性誘導型双方向流れ融合機構を導入し,課題領域におけるロバスト性を高める。 KITTI と Sintel の広範囲にわたる実験により,U$^{2}$Flow は教師なし手法の最先端性能を実現し,信頼性の高い不確実性マップを作成し,共同推定手法の有効性を検証した。 コードはhttps://github.com/sunzunyi/U2FLOWで入手できる。

関連論文リスト

• Uncertainty-aware Generative Recommendation [52.0751022792023]
  Uncertainty-aware Generative Recommendation (UGR)は、適応最適化のための重要な信号として不確実性を利用する統一的なフレームワークである。 UGRは優れたレコメンデーション性能を得るだけでなく、トレーニングを根本的に安定化させ、標準手法でよく見られる性能劣化を防ぐ。
  論文  参考訳（メタデータ） (2026-02-12T08:48:51Z)
• Gradients Must Earn Their Influence: Unifying SFT with Generalized Entropic Objectives [22.29000001610794]
  Supervised Fine-Tuning (SFT) の標準的な負の対数構造は、均一なトークンレベルの重み付けを適用する。 この剛性は2重の障害モードを生成する: (i)低確率目標を過度に強調することは、ノイズの監督の勾配を増幅し、頑健な事前を妨害し、 (ii)一様重み付けは、モデルが既に自信を持っているときに弱いシャープニングを与える。 既存の方法は可塑性の解決に失敗し、不安定なジレンマがしばしば有害なジレンマとともに必要な学習信号を抑圧する。 パラメータ自由度を変調する動的エントロピーファインチューニング(DEFT)を導入する。
  論文  参考訳（メタデータ） (2026-02-11T22:56:43Z)
• Agentic Uncertainty Quantification [76.94013626702183]
  本稿では,言語化された不確実性をアクティブな双方向制御信号に変換する統合されたデュアルプロセスエージェントUQ(AUQ)フレームワークを提案する。 システム1(Uncertainty-Aware Memory, UAM)とシステム2(Uncertainty-Aware Reflection, UAR)は、これらの説明を合理的な手段として利用し、必要な時にのみターゲットの推論時間解決をトリガーする。
  論文  参考訳（メタデータ） (2026-01-22T07:16:26Z)
• Uncertainty-Supervised Interpretable and Robust Evidential Segmentation [16.64288013782432]
  不確実性の推定は、信頼性を提供するツールとして、医用画像セグメンテーションにおいて広く研究されている。 従来手法では、不確実性推定の効果的な監督が欠如していた。 本研究では,不確実性の学習を指導する自己教師型アプローチを提案する。
  論文  参考訳（メタデータ） (2025-09-21T14:31:47Z)
• Adaptive Dual Uncertainty Optimization: Boosting Monocular 3D Object Detection under Test-Time Shifts [80.32933059529135]
  TTA(Test-Time Adaptation)メソッドが出現し、推論中にターゲット分布に適応する。 我々は、堅牢なM3ODの両不確実性を共同で最小化するために設計された、最初のTTAフレームワークであるDual Uncertainity Optimization (DUO)を提案する。 並列に,明瞭な意味的手がかりを持つ領域における幾何学的コヒーレンスを保存する意味認識型正規場制約を設計する。
  論文  参考訳（メタデータ） (2025-08-28T07:09:21Z)
• Efficient Probabilistic Visualization of Local Divergence of 2D Vector Fields with Independent Gaussian Uncertainty [3.2999490997091265]
  拡散は流体の基本的な特性の1つである。 ベクトル場データに固有の不確かさは、誤発散計算につながる可能性がある。 我々はモンテカルロサンプリング手法の緩やかな収束と限られたスケーラビリティの課題に対処する2つのコントリビューションを提案する。
  論文  参考訳（メタデータ） (2025-08-21T18:16:17Z)
• Evidential Uncertainty Estimation for Multi-Modal Trajectory Prediction [10.832351645863536]
  本稿では, 顕在的深層学習に基づく新しいマルチモーダル軌道予測手法を提案する。 提案手法は, 位置的, モード的確率的不確実性の両方をリアルタイムに推定する。 我々はArgoverse 1 と Argoverse 2 のデータセット上で,提案手法の広範な評価を行う。
  論文  参考訳（メタデータ） (2025-03-07T09:46:21Z)
• Integrating uncertainty quantification into randomized smoothing based robustness guarantees [18.572496359670797]
  ディープニューラルネットワークは、安全クリティカルなアプリケーションにおいて有害な誤った予測を引き起こす可能性のある敵攻撃に対して脆弱である。 ランダムな滑らか化による認証されたロバスト性は、スムーズ化された分類器の予測が与えられた入力の周りの$ell$-ball内では変化しないという確率的保証を与える。 不確実性に基づく拒絶は、しばしば敵の攻撃からモデルを守るために実践的に適用される技法である。 新たなフレームワークは,ネットワークアーキテクチャや不確実性評価の体系的な評価を可能にすることを実証する。
  論文  参考訳（メタデータ） (2024-10-27T13:07:43Z)
• Model-Based Uncertainty in Value Functions [89.31922008981735]
  MDP上の分布によって引き起こされる値の分散を特徴付けることに重点を置いている。 従来の作業は、いわゆる不確実性ベルマン方程式を解くことで、値よりも後方の分散を境界にしている。 我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式を提案する。
  論文  参考訳（メタデータ） (2023-02-24T09:18:27Z)
• Reliability-Aware Prediction via Uncertainty Learning for Person Image Retrieval [51.83967175585896]
  UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。 データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
  論文  参考訳（メタデータ） (2022-10-24T17:53:20Z)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)

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。