論文の概要: DecomPose: Disentangling Cross-Category Optimization Contention for Category-Level 6D Object Pose Estimation

• arxiv url: http://arxiv.org/abs/2605.15728v1
• Date: Fri, 15 May 2026 08:32:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.220525
• Title: DecomPose: Disentangling Cross-Category Optimization Contention for Category-Level 6D Object Pose Estimation
• Title（参考訳）: DecomPose:カテゴリーレベル6Dオブジェクトのオブジェクト位置推定のためのクロスカテゴリ最適化コンテント
• Authors: Yifan Gao, Lu Zou, Zhangjin Huang, Guoping Wang,
• Abstract要約: カテゴリーレベルの6Dオブジェクトのポーズ推定は、一般的に、完全に共有されたモデルパラメータを持つ多カテゴリ共同学習問題として定式化される。 モジュールレベルのクロスカテゴリ競合を定量化するための勾配に基づく診断手法を提案する。 最適化競合を緩和する難易度を考慮した分解フレームワークであるDecomPoseを提案する。
• 参考スコア（独自算出の注目度）: 19.434336502906902
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Category-level 6D object pose estimation is typically formulated as a multi-category joint learning problem with fully shared model parameters. However, pronounced geometric heterogeneity across categories entangles incompatible optimization signals in shared modules, resulting in gradient conflicts and negative transfer during training. To address this challenge, we first introduce gradient-based diagnostics to quantify module-level cross-category contention. Building on results of diagnostics, we propose DecomPose, a difficulty-aware decomposition framework that mitigates optimization contention via: (1) difficulty-aware gradient decoupling, which groups categories using a data-driven difficulty proxy and routes each instance to a group-specific correspondence branch to isolate incompatible updates; and (2) stability-driven asymmetric branching, which assigns higher-capacity branches to structurally simple categories as stable optimization anchors while constraining complex categories with lightweight branches to suppress noisy updates and alleviate negative transfer. Extensive experiments on REAL275, CAMERA25, and HouseCat6D demonstrate that DecomPose effectively reduces cross-category optimization contention and delivers superior pose estimation performance across multiple benchmarks.
• Abstract（参考訳）: カテゴリーレベルの6Dオブジェクトのポーズ推定は、一般的に、完全に共有されたモデルパラメータを持つ多カテゴリ共同学習問題として定式化される。 しかし、カテゴリー間の幾何的不均一性は共有加群における非互換な最適化信号と絡み合うため、訓練中に勾配の衝突と負の移動をもたらす。 この課題に対処するために、まず、モジュールレベルのクロスカテゴリ競合を定量化するための勾配に基づく診断手法を導入する。 1)データ駆動の難易度プロキシを用いてカテゴリをグループ化し、各インスタンスをグループ固有の対応ブランチにルーティングして非互換な更新を分離する難易度勾配デカップリング、(2)高容量のブランチを安定した最適化アンカーとして構造的に単純なカテゴリに割り当てる安定性駆動の非対称分岐、そして、軽量なブランチで複雑なカテゴリを制約してノイズを抑え、負の転送を緩和する。 REAL275、CAMERA25、HouseCat6Dの大規模な実験は、DecomPoseがクロスカテゴリ最適化競合を効果的に低減し、複数のベンチマークで優れたポーズ推定性能を提供することを示した。

関連論文リスト

• HyperTTA: Test-Time Adaptation for Hyperspectral Image Classification under Distribution Shifts [28.21559601586271]
  HyperTTA (Test-Time Adaptable Transformer for Hyperspectral Degradation) は、様々な劣化条件下でモデルロバスト性を高める統一フレームワークである。 テスト時の適応戦略である、信頼を意識したエントロピー最小化LayerNorm Adapter (CELA)は、LayerNorm層のアフィンパラメータのみを動的に更新する。 2つのベンチマークデータセットの実験では、HyperTTAがさまざまな劣化シナリオで最先端のベースラインを上回っていることが示されている。
  論文  参考訳（メタデータ） (2025-09-10T09:31:37Z)
• Consistent Supervised-Unsupervised Alignment for Generalized Category Discovery [49.67913741459179]
  Generalized Category Discovery (GCD)は、未知のデータから新しいカテゴリを同時に発見しながら、既知のカテゴリを分類することに焦点を当てている。 従来のGCD手法は、不整合最適化目標とカテゴリー混乱による課題に直面している。 本稿ではニューラル・コラプスにインスパイアされた一般化カテゴリー発見(NC-GCD)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-07T07:34:41Z)
• NDCG-Consistent Softmax Approximation with Accelerated Convergence [67.10365329542365]
  本稿では,ランキングの指標と直接一致した新たな損失定式化を提案する。 提案したRG損失を高効率な Alternating Least Squares (ALS) 最適化手法と統合する。 実世界のデータセットに対する実証的な評価は、我々のアプローチが同等または上位のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-06-11T06:59:17Z)
• GIVEPose: Gradual Intra-class Variation Elimination for RGB-based Category-Level Object Pose Estimation [61.46277064819665]
  GIVEPoseは,カテゴリレベルのオブジェクトのポーズ推定のための階層内変分除去を実装したフレームワークである。 GIVEPoseは、既存の最先端のRGBベースのアプローチを大きく上回っている。
  論文  参考訳（メタデータ） (2025-03-19T11:07:01Z)
• Robust Class-Conditional Distribution Alignment for Partial Domain Adaptation [0.7892577704654171]
  部分的なドメイン適応設定の学習目的におけるプライベートソースカテゴリからの不要なサンプルは、負の転送を招き、分類性能を低下させる可能性がある。 既存の手法、例えば、ターゲット予測の再重み付けや集約などは、この問題に対して脆弱である。 提案手法は,一階のモーメントだけを深く掘り下げて,異なる,コンパクトなカテゴリー分布を導出することによって,これらの制限を克服しようとするものである。
  論文  参考訳（メタデータ） (2023-10-18T15:49:46Z)
• Balanced Classification: A Unified Framework for Long-Tailed Object Detection [74.94216414011326]
  従来の検出器は、分類バイアスによる長期データを扱う際の性能劣化に悩まされる。 本稿では,カテゴリ分布の格差に起因する不平等の適応的是正を可能にする,BAlanced CLassification (BACL) と呼ばれる統一フレームワークを提案する。 BACLは、さまざまなバックボーンとアーキテクチャを持つさまざまなデータセット間で、一貫してパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-08-04T09:11:07Z)
• Adaptive Spot-Guided Transformer for Consistent Local Feature Matching [64.30749838423922]
  局所的特徴マッチングのための適応スポットガイド変換器(ASTR)を提案する。 ASTRは、統一された粗いアーキテクチャにおける局所的な一貫性とスケールのバリエーションをモデル化する。
  論文  参考訳（メタデータ） (2023-03-29T12:28:01Z)

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。