論文の概要: Semantically Stable Image Composition Analysisvia Saliency and Gradient Vector Flow Fusion

• arxiv url: http://arxiv.org/abs/2604.16500v1
• Date: Tue, 14 Apr 2026 09:53:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.031908
• Title: Semantically Stable Image Composition Analysisvia Saliency and Gradient Vector Flow Fusion
• Title（参考訳）: 粘度・勾配ベクトル流融合による連続安定画像合成解析
• Authors: Armin Dadras, Robert Sablatnig, Franziska Proksa, Markus Seidl,
• Abstract要約: VFCNetを導入し、勾配ベクトルフロー場に塩分とエッジ情報を融合する。 このモデルは、二重ストリームGVF表現を計算し、注意を通してそれらを統合し、マルチスケールフロー特徴を抽出する。 VFCNetはPICDベンチマークで最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 0.5249805590164902
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The reliable computational assessment of photographic composition requires features that are discriminative of spatial layout yet robust to semantic content. This paper proposes a low-level representation grounded in the assumption that composition can be understood as the flow of visual attention across geometric structure. We introduce VFCNet, which fuses saliency and edge information into a gradient vector flow (GVF) field. The model computes dual-stream GVF representations, integrates them via attention, and extracts multi-scale flow features with a DINOv3 backbone. VFCNet achieves state-of-the-art performance on the PICD benchmark (CDA-1: 0.683, CDA-2: 0.629), improving by 33.1\% and 36.1\% over the previous best method. We also show that a simple classifier on self-supervised DINOv3 features substantially outperforms more sophisticated, composition-specialized models. Code is available at https://github.com/ADadras/VFCNet
• Abstract（参考訳）: 写真合成の信頼性の高い計算評価には、空間的レイアウトを識別する機能が必要であるが、セマンティックコンテンツには堅牢である。 本稿では,構成が幾何学的構造をまたいだ視覚的注意の流れとして理解できるという前提のもとに,低レベルの表現を提案する。 本稿では, 勾配ベクトル流(GVF)場に塩分とエッジ情報を融合するVFCNetを提案する。 このモデルは、デュアルストリームGVF表現を計算し、注意を通してそれらを統合し、DINOv3バックボーンでマルチスケールフロー特徴を抽出する。 VFCNetはPICDベンチマーク(CDA-1: 0.683, CDA-2: 0.629)で最先端のパフォーマンスを達成し、以前のベストメソッドよりも33.1\%、36.1\%改善した。 また、自己教師付きDINOv3上の単純な分類器は、より洗練された合成特化モデルよりも大幅に優れていることを示す。 コードはhttps://github.com/ADadras/VFCNetで入手できる。

関連論文リスト

• SF3D-RGB: Scene Flow Estimation from Monocular Camera and Sparse LiDAR [17.224692757126153]
  本稿では,2次元単眼画像と3次元点雲を用いたスパースシーンフロー推定のためのディープラーニングアーキテクチャを提案する。 私たちのアーキテクチャはエンド・ツー・エンドのモデルで、まず各モダリティから情報を機能にエンコードし、それらを融合させます。 実験により,提案手法は単一モダリティ法より優れ,実世界のデータセット上でのシーンフローの精度が向上することが示された。
  論文  参考訳（メタデータ） (2026-02-25T09:03:42Z)
• Complementary Information Guided Occupancy Prediction via Multi-Level Representation Fusion [73.11061598576798]
  カメラによる占有予測は、自動運転における3D知覚の主流のアプローチである。 textbfCIGOccはマルチレベル表現融合に基づく2段階の占有予測フレームワークである。 textbfCIGOccは、入力画像からセグメンテーション、グラフィックス、深さの特徴を抽出し、変形可能なマルチレベル融合機構を導入する。
  論文  参考訳（メタデータ） (2025-10-15T06:37:33Z)
• Vision Foundation Models as Effective Visual Tokenizers for Autoregressive Image Generation [52.261584726401686]
  凍結した視覚基盤モデルの上に画像トークン化器を直接構築するための新しい方向を示す。 これらの設計に基づき,提案する画像トークン装置であるVFMTokは,画像再構成と生成品質の大幅な向上を実現している。
  論文  参考訳（メタデータ） (2025-07-11T09:32:45Z)
• Retain, Blend, and Exchange: A Quality-aware Spatial-Stereo Fusion Approach for Event Stream Recognition [57.74076383449153]
  本稿では,差分融合によるイベントストリームに基づくパターン認識のための新しいデュアルストリームフレームワークEFV++を提案する。 イベントイメージとイベントボクセルという2つの共通のイベント表現を同時にモデル化する。 Bullying10kデータセットで新しい最先端のパフォーマンス、すなわち90.51%$を達成し、2位を+2.21%$で上回る。
  論文  参考訳（メタデータ） (2024-06-27T02:32:46Z)
• A Semantic-Aware and Multi-Guided Network for Infrared-Visible Image Fusion [41.34335755315773]
  本稿では、相関駆動型分解特徴のモデル化と高レベルグラフ表現の理由について論じる。 本稿では,3分岐エンコーダデコーダアーキテクチャと,それに対応する融合層を融合戦略として提案する。 可視・近赤外画像融合と医用画像融合タスクにおける最先端手法と比較して, 競争力のある結果を示す実験を行った。
  論文  参考訳（メタデータ） (2024-06-11T09:32:40Z)
• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)
• Efficient Match Pair Retrieval for Large-scale UAV Images via Graph Indexed Global Descriptor [9.402103660431791]
  本稿では,効率的なマッチングペア検索手法を提案し,並列SfM再構成のための統合ワークフローを実装した。 提案手法は3つの大規模データセットを用いて検証されている。
  論文  参考訳（メタデータ） (2023-07-10T12:41:55Z)
• Adjacent-Level Feature Cross-Fusion With 3-D CNN for Remote Sensing Image Change Detection [20.776673215108815]
  AFCF3D-Netという名前の3次元畳み込みを伴う新しい近接レベル特徴融合ネットワークを提案する。 提案されたAFCF3D-Netは、3つの挑戦的なリモートセンシングCDデータセットで検証されている。
  論文  参考訳（メタデータ） (2023-02-10T08:21:01Z)
• Positional Encoding Augmented GAN for the Assessment of Wind Flow for Pedestrian Comfort in Urban Areas [0.41998444721319217]
  本研究は,CFDを用いた3次元フローフィールドの計算から,建物のフットプリント上の2次元画像から画像への変換に基づく問題まで,歩行者の高さレベルでのフローフィールドの予測に至るまでの課題を言い換える。 本稿では,画像から画像への変換タスクの最先端を表現したPix2PixやCycleGANなど,GAN(Generative Adversarial Network)の利用について検討する。
  論文  参考訳（メタデータ） (2021-12-15T19:37:11Z)
• FS-Net: Fast Shape-based Network for Category-Level 6D Object Pose Estimation with Decoupled Rotation Mechanism [49.89268018642999]
  6次元ポーズ推定のための効率的なカテゴリレベルの特徴抽出が可能な高速形状ベースネットワーク(FS-Net)を提案する。 提案手法は,カテゴリレベルおよびインスタンスレベルの6Dオブジェクトのポーズ推定における最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-03-12T03:07:24Z)

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。