論文の概要: EvaluatAR: A Cross-Device Evaluation Framework for Rapid Prototyping of Bystander PETs in AR

• arxiv url: http://arxiv.org/abs/2605.29177v1
• Date: Wed, 27 May 2026 23:29:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:55.557836
• Title: EvaluatAR: A Cross-Device Evaluation Framework for Rapid Prototyping of Bystander PETs in AR
• Title（参考訳）: EvaluatAR:ARにおける傍観者PETの高速プロトタイピングのためのデバイス間評価フレームワーク
• Authors: Syed Ibrahim Mustafa Shah Bukhari, Matthew Corbett, Bo Ji, Brendan David-John,
• Abstract要約: EvaluatARは、視覚的傍観者プライバシー向上技術の迅速なプロトタイピングのためのクロスデバイス評価フレームワークである。 HoloLens 2、Magic Leap 2、Meta Quest 3の3つのケーススタディを、暗黙的かつ明示的な(インテント駆動)PETで提示する。 これらの結果から, 傍観者PETの再現可能なクロスデバイス評価を促進するために, 迅速かつ反復的なPET開発をEvaluatARが支援していることが示唆された。
• 参考スコア（独自算出の注目度）: 4.144099741588736
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Augmented Reality (AR) headsets continuously sense their surroundings, capturing nearby bystanders and raising privacy risks. Visual bystander privacy-enhancing technologies (PETs) mitigate this risk by detecting bystanders in egocentric scene views and applying privacy transformations (e.g., obfuscation). However, traditional PET evaluation is human-dependent, high-overhead, and device-specific, making it difficult to reproduce across devices. We present EvaluatAR, a cross-device evaluation framework for rapid prototyping at the early stage of PET evaluation. Our framework enables controlled replication of experimental conditions by standardizing PET inputs (sensor data and visual stimuli) and outputs through a record-replay workflow. We validate EvaluatAR through three case studies on HoloLens 2, Magic Leap 2, and Meta Quest 3 across implicit (continuous, context-driven) and explicit (intent-driven) PETs: (1) cross-device replay of inputs to a PET to reveal device-specific privacy-performance trade-offs; (2) generalizability of the same framework workflow across implicit and explicit PET design categories; and (3) replay of privacy-relevant edge cases to diagnose failures and validate PET modifications, yielding an improvement over the state-of-the-art baseline. These results demonstrate EvaluatAR's support for rapid, iterative PET development to advance reproducible cross-device evaluation of bystander PETs at a critical moment in the emergence of ubiquitous AR.
• Abstract（参考訳）: 拡張現実(AR)ヘッドセットは周囲を継続的に感知し、近くの傍観者を捕獲し、プライバシーリスクを高める。 視覚的傍観者プライバシー向上技術(PET)は、自我中心のシーンビューで傍観者を検出し、プライバシー変換(難読化など)を適用することで、このリスクを軽減する。 しかしながら、従来のPET評価は人間に依存し、ハイオーバーヘッドであり、デバイス固有のものであるため、デバイス間での再現が困難である。 PET評価の初期段階において,高速プロトタイピングのためのクロスデバイス評価フレームワークであるEvaluatARを提案する。 本フレームワークは,PET入力(センサデータと視覚刺激)を標準化し,記録再生ワークフローを通じて出力することにより,実験条件の制御を可能にする。 EvaluatARは,HoloLens 2,Magic Leap 2,Meta Quest 3の3つのケーススタディを通じて,暗黙的(連続的,コンテキスト駆動)かつ明示的(意図的)なPETに対して検証する。(1) デバイス固有のプライバシとパフォーマンスのトレードオフを明らかにするためのPETへの入力のクロスデバイスリプレイ,(2) 暗黙的,明示的なPETデザインカテゴリにわたる同じフレームワークワークフローの一般化,(3) 障害の診断とPET修正の検証のためのプライバシ関連エッジケースのリプレイにより,現状のベースラインよりも改善される。 これらの結果は,ユビキタスARの出現において,傍観者PETの再現可能なクロスデバイス評価を促進するための,迅速かつ反復的なPET開発へのEvaluatARの支持を示すものである。

関連論文リスト

• PET-F2I: A Comprehensive Benchmark and Parameter-Efficient Fine-Tuning of LLMs for PET/CT Report Impression Generation [25.57267405761328]
  LLMを用いたPET/CT印象生成のための大規模ベンチマークであるPET-F2I-41K(PET Findings-to-Impression Benchmark)を紹介する。 PET-F2I-41K を用いて,プロプライエタリなフロンティア LLM,オープンソースジェネラリストモデル,医療ドメイン LLM にまたがる27モデルの総合的な評価を行う。 PET-F2I-7Bは、最強のベースラインよりも大幅に向上し、エンティティカバレッジが3.0倍向上する。
  論文  参考訳（メタデータ） (2026-03-11T09:08:25Z)
• Unveiling and Bridging the Functional Perception Gap in MLLMs: Atomic Visual Alignment and Hierarchical Evaluation via PET-Bench [48.60251555171943]
  MLLM(Multimodal Large Language Models)は、異常検出や解剖学的モダリティのレポート生成などのタスクにおいて、顕著な熟練性を示した。 本研究では, 機能的トレーサの生体分布を, 形態的先行性とは無関係に復号化できない現状の視覚エンコーダについて, 基本的な機能的知覚ギャップを定量化する。 PET-Benchは52,308個の階層型QAペアからなるPET-Benchの最初の大規模機能評価ベンチマークである。 AVAは認知ギャップを効果的に橋渡しし、CoTを幻覚源から頑健な推論ツールに変換し、診断を改善していることを示す。
  論文  参考訳（メタデータ） (2026-01-06T05:58:50Z)
• ALL-PET: A Low-resource and Low-shot PET Foundation Model in Projection Domain [33.678018449132715]
  ALL-PETはプロジェクションドメインで直接動作する低解像度の低ショットPETファンデーションモデルである。 ランダム化された画像ドメインマスクをシングラム空間に投影することで、20万以上の構造的に多様なトレーニングサンプルを生成する。 低用量再構成、減衰補正、遅延フレーム予測、トレーサ分離などのタスクを一般化し、24GB以下のメモリ使用で効率的に動作させる。
  論文  参考訳（メタデータ） (2025-09-11T04:03:52Z)
• Towards Interactive Lesion Segmentation in Whole-Body PET/CT with Promptable Models [9.254535645473311]
  われわれはAutoPET/CT IVチャレンジに応募する。 我々は、ユーザが提供するフォアグラウンドとバックグラウンドクリックを追加入力チャネルとしてエンコードすることで、迅速な機能でフレームワークを拡張します。 外部データおよび非外部データでトレーニングされたEDTベースのモデルのアンサンブルは、最強のクロスバリデーション性能を達成する。
  論文  参考訳（メタデータ） (2025-08-29T14:49:58Z)
• Supervised Diffusion-Model-Based PET Image Reconstruction [44.89560992517543]
  PET画像再構成の前兆として拡散モデル (DM) が導入された。 PET再構成のための教師付きDMベースアルゴリズムを提案する。 本手法はPETのポアソン確率モデルの非負性性を強制し,PET画像の広い範囲に適応する。
  論文  参考訳（メタデータ） (2025-06-30T16:39:50Z)
• HiDe-PET: Continual Learning via Hierarchical Decomposition of Parameter-Efficient Tuning [55.88910947643436]
  予備学習モデル(PTM)とパラメータ効率チューニング(PET)を組み合わせた連続学習(CL)統合フレームワークを提案する。 タスク固有知識とタスク共有知識を取り入れることで目的を明示的に最適化する革新的な手法である階層分解PET(HiDe-PET)を提案する。 提案手法は,近年の強いベースラインの幅広いスペクトルに対して,極めて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-07T01:50:25Z)
• Contrastive Diffusion Model with Auxiliary Guidance for Coarse-to-Fine PET Reconstruction [62.29541106695824]
  本稿では, 粗い予測モジュール (CPM) と反復的修正モジュール (IRM) から構成される粗大なPET再構成フレームワークを提案する。 計算オーバーヘッドの大部分をCPMに委譲することで,本手法のサンプリング速度を大幅に向上させることができる。 2つの追加戦略、すなわち補助的な誘導戦略と対照的な拡散戦略が提案され、再構築プロセスに統合される。
  論文  参考訳（メタデータ） (2023-08-20T04:10:36Z)
• A Unified Continual Learning Framework with General Parameter-Efficient Tuning [56.250772378174446]
  「事前学習$rightarrow$ダウンストリーム適応」は、継続学習の新しい機会と課題を提示する。 我々は,PETの1つのインスタンス化としてプロンプトを位置づけ,ラーニング・アキュミュレーション・アンサンブル(LAE)と呼ばれる統一的なCLフレームワークを提案する。 PET(Adapter、LoRA、Prefixなど)は、トレーニング済みのモデルをより少ないパラメータとリソースで下流のタスクに適応させることができる。
  論文  参考訳（メタデータ） (2023-03-17T15:52:45Z)

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。