論文の概要: SpecPL: Disentangling Spectral Granularity for Prompt Learning
- arxiv url: http://arxiv.org/abs/2605.04504v1
- Date: Wed, 06 May 2026 05:13:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-07 18:41:07.656299
- Title: SpecPL: Disentangling Spectral Granularity for Prompt Learning
- Title（参考訳）: SpecPL: プロンプト学習のためのスペクトル粒度の分散化
- Abstract要約: 本稿では,プロンプト学習のための離散スペクトル粒度(Disentangling Spectral Granularity for Prompt Learning, SPPL)を紹介する。
具体的には、凍結されたVAEを利用して視覚信号を意味的な低周波帯域と粒度の高周波細部に分解する。
11ベンチマークの実験では、競争力のある最先端のパフォーマンスが示され、新しいパフォーマンス天井は81.51%のハーモニック平均精度を実現した。
- 参考スコア（独自算出の注目度）: 11.908475229249161
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Existing prompt learning for VLMs exhibits a modality asymmetry, predominantly optimizing text tokens while still relying on frozen visual encoder as holistic extractor and neglecting the spectral granularity essential for fine-grained discrimination. To bridge this, we introduce Disentangling Spectral Granularity for Prompt Learning (SpecPL), which approaches prompt learning from a novel spectral perspective via Counterfactual Granule Supervision. Specifically, we leverage a frozen VAE to decompose visual signals into semantic low-frequency bands and granular high-frequency details. A frozen Visual Semantic Bank anchors text representations to universal low-frequency invariants, mitigating overfitting. Crucially, fine-grained discrimination is driven by counterfactual granule training: by permuting high-frequency signals, we compel the model to explicitly distinguish visual granularity from semantic invariance. Uniquely, SpecPL serves as a universal plug-and-play booster, revitalizing text-oriented baselines like CoOp and MaPLe via visual-side guidance. Experiments on 11 benchmarks demonstrate competitive state-of-the-art performance, achieving a new performance ceiling of 81.51\% harmonic-mean accuracy. These results validate that spectral disentanglement with counterfactual supervision effectively bridges the gap in the stability-generalization trade-off. Code is released at https://github.com/Mlrac1e/SpecPL-Prompt-Learning.
- Abstract（参考訳）: 既存のVLMの即時学習はモダリティ非対称性を示し、主にテキストトークンを最適化する一方で、凍結した視覚エンコーダを全体的抽出器として依存し、きめ細かい識別に必要なスペクトルの粒度を無視する。
そこで,本研究では,プロンプト学習のための分散スペクトル粒度(Disentangling Spectral Granularity for Prompt Learning, SPPL)を導入する。
具体的には、凍結されたVAEを利用して視覚信号を意味的な低周波帯域と粒度の高周波細部に分解する。
凍結されたVisual Semantic Bankは、テキスト表現を普遍的な低周波不変量にアンカーし、オーバーフィッティングを緩和する。
重要かつきめ細かな識別は、反ファクトグラニュラー訓練によって駆動される: 高周波信号の順応により、我々は、視覚的粒度と意味的不変性を明確に区別するようにモデルを強制する。
同様に、SpecPLは汎用的なプラグ・アンド・プレイ・ブースターとして機能し、CoOpやMaPLeのようなテキスト指向のベースラインを視覚的に誘導することで活性化する。
11ベンチマークの実験では、競争力のある最先端のパフォーマンスを示し、81.51\%のハーモニック平均精度の新たなパフォーマンス天井を達成した。
これらの結果から, 安定一般化トレードオフのギャップを効果的に埋めることが実証された。
コードはhttps://github.com/Mlrac1e/SpecPL-Prompt-Learningで公開されている。
関連論文リスト
- HAFI-VLM: A Frequency Perspective for Diagnosing and Enhancing Visual Perception in Vision-Language Models [9.926121668688772]
視覚言語モデル(VLM)は、予測がきめ細かい視覚的証拠を必要とする場合、信頼性が低いままである。
これまでに見過ごされた原因は、スペクトル応答剛性である。
本稿では,事前学習した意味表現を保存しながらタスク条件付き周波数経路を導入するHAFI-VLMを提案する。
論文 参考訳（メタデータ） (2026-08-03T12:15:33Z) - Dynamic Spectral Denoising with Global-Context Attention for Multi-Behavior Recommendation [58.33732779555114]
重要なボトルネックは、2つの結合した不均一性によって引き起こされる表現レベルの失敗である、と我々は主張する。
マルチビヘイビアレコメンデーション(SpectraMB)のためのグローバルコンテキストを考慮した動的スペクトルデノベーションを提案する。
SpectraMBは、ほとんどの評価設定で最高の結果を達成し、ノイズのある相互作用下での堅牢性の向上を示す。
論文 参考訳（メタデータ） (2026-06-01T15:58:13Z) - LISA: Language-guided Interference-aware Spatial-Frequency Attention for Driver Gaze Estimation [12.034295331199813]
ドライバーの視線推定は、現代の監視システムにおけるドライバーの注意度を評価するための基本的な指標となる。
textbfLanguage-guided textbfInterference-aware textbfSpatial-Frequency textbfAttention frameworkを提案する。
論文 参考訳（メタデータ） (2026-05-17T06:57:31Z) - Disentangle-then-Refine: LLM-Guided Decoupling and Structure-Aware Refinement for Graph Contrastive Learning [8.080589414732982]
テキスト分散グラフ(TAG)上の従来のグラフコントラスト学習(GCL)は、意図せずノイズを伴うタスク関連信号を絡み合わせるブラインド拡張に依存している。
近似直交分解に固定された頑健なフレームワークであるSDM-SCRを提案する。
論文 参考訳（メタデータ） (2026-04-16T07:57:11Z) - Spectrum Matching: a Unified Perspective for Superior Diffusability in Latent Diffusion [20.731913778080344]
MSEの目的によって訓練された画素空間拡散は、本質的に低周波と中周波の学習に偏っていることを示す。
この結果から,emphSpectrum Matching hypothesisを提案する。
スペクトルマッチングは,CelebA と ImageNet のデータセット上での拡散生成に優れることを示す。
論文 参考訳（メタデータ） (2026-03-15T22:47:43Z) - The Prism Hypothesis: Harmonizing Semantic and Pixel Representations via Unified Autoencoding [82.53463660564933]
セマンティックエンコーダは、主に抽象的意味を符号化する低周波成分をキャプチャするが、ピクセルエンコーダは微細な詳細を伝達する高周波情報を保持する。
本稿では,新しい周波数帯域変調器を用いて意味構造と画素の詳細を調和させるモデルであるUnified Autoencoding (UAE)を提案する。
論文 参考訳（メタデータ） (2025-12-22T18:59:57Z) - Diversity Boosts AI-Generated Text Detection [51.56484100374058]
DivEyeは、予備的な機能を使って、予測不可能がテキスト間でどのように変動するかをキャプチャする、新しいフレームワークである。
提案手法は、既存のゼロショット検出器を最大33.2%向上させ、微調整ベースラインとの競合性能を達成する。
論文 参考訳（メタデータ） (2025-09-23T10:21:22Z) - Generalize across Homophily and Heterophily: Hybrid Spectral Graph Pre-Training and Prompt Tuning [32.2698194084332]
既存の方法は、様々なホモフィリーを持つ実世界のグラフにおける多様なスペクトル分布を処理できない。
本稿では,事前学習と即時学習の両方においてスペクトルアライメントを保証する新しいフレームワークを提案する。
本実験は,帰納的学習と帰納的学習の両方で有効性を検証する。
論文 参考訳（メタデータ） (2025-08-15T08:55:57Z) - SpecBPP: A Self-Supervised Learning Approach for Hyperspectral Representation and Soil Organic Carbon Estimation [9.292155894591877]
ハイパースペクトル画像のための新しい自己教師型学習フレームワークを提案する。
SpecBPPは、シャッフルされたスペクトルセグメントの正しい順序を復元するモデルに挑戦する。
本結果は,スペクトル秩序予測がハイパースペクトル理解のための強力な前提課題であることを示す。
論文 参考訳（メタデータ） (2025-07-26T04:11:43Z) - ICPL-ReID: Identity-Conditional Prompt Learning for Multi-Spectral Object Re-Identification [25.953780086825457]
マルチスペクトルオブジェクト再識別(ReID)は、スマートシティとインテリジェントトランスポートアプリケーションに対して、新たな認識視点を提供する。
既存のほとんどの手法は複雑なモーダル相互作用モジュールを通してスペクトルデータを融合し、スペクトル情報の詳細なセマンティック理解を欠いている。
筆者らは,CLIPの強力なクロスモーダルアライメント機能を利用する,ICPL(Identity-Conditional Text Prompt Learning framework)を提案する。
論文 参考訳（メタデータ） (2025-05-23T12:38:27Z) - Empowering Sparse-Input Neural Radiance Fields with Dual-Level Semantic Guidance from Dense Novel Views [66.1245505423179]
レンダリングされたセマンティクスは、レンダリングされたRGBよりも堅牢な拡張データとして扱うことができることを示す。
提案手法は, セマンティクスから導出されるガイダンスを組み込むことで, NeRFの性能を向上させる。
論文 参考訳（メタデータ） (2025-03-04T03:13:44Z) - KNN Transformer with Pyramid Prompts for Few-Shot Learning [52.735070934075736]
Few-Shot Learningはラベル付きデータで新しいクラスを認識することを目的としている。
近年の研究では、視覚的特徴を調節するためのテキストプロンプトを用いたまれなサンプルの課題に対処しようと試みている。
論文 参考訳（メタデータ） (2024-10-14T07:39:30Z) - Scalable Representation Learning in Linear Contextual Bandits with
Constant Regret Guarantees [103.69464492445779]
本稿では,スペクトル特性のよい表現を学習する表現学習アルゴリズムBanditSRLを提案する。
我々は、BanditSRLが任意の非regretアルゴリズムとペアリング可能であることを証明し、HLS表現が利用可能であれば常に後悔する。
論文 参考訳（メタデータ） (2022-10-24T10:04:54Z)
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。