論文の概要: Internalizing Temporal Consistency in Video Object-Centric Learning without Explicit Regularization
- arxiv url: http://arxiv.org/abs/2605.31508v1
- Date: Fri, 29 May 2026 16:28:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-01 20:56:50.744777
- Title: Internalizing Temporal Consistency in Video Object-Centric Learning without Explicit Regularization
- Title（参考訳）: 明示的正規化を伴わないビデオオブジェクト中心学習における時間的一貫性の内在化
- Abstract要約: SSC(Slot-Slot Contrastive)の損失は、最先端(SOTA)ビデオOCL(Object-Centric Learning)手法の基盤となっている。
時間的一貫性は、明示的な損失ではなく、暗黙的なモデル設計として強制されるのがよい。
- 参考スコア（独自算出の注目度）: 34.98521123729049
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Video Object-Centric Learning (OCL) aims to represent objects as \textit{slot} vectors and maintain their consistency across frames. Slot-Slot Contrastive (SSC) loss has become the cornerstone for state-of-the-art (SOTA) video OCL methods. While highly effective, SSC relies on one-to-one object correspondence across frames and introduces an extra loss. Following Occam's Razor, we propose a paradigm shift: temporal consistency is better enforced as an implicit model design rather than an explicit loss. To elegantly exclude SSC (\textbf{xSSC}), we introduce two quasi-zero-overhead synergistic mechanisms: (\textit{i}) Chrono-Channel Decomposition (CCD) structurally disentangles slot representations along the channel dimension into \textit{static} and \textit{dynamic} sub-spaces, serving as an empirically unified information bottleneck; (\textit{ii}) Cross-Temporal Reconstruction (CTR) stochastically reconstructs target features of either the current or previous time step by fusing current slots' static channels and target slots' dynamic channels, using a single standard OCL decoder with minor training adaptation. Thereby, the slot sets inherently learn temporal consistency by minimizing the standard reconstruction error alone. Extensive experiments show that integrating xSSC into leading baselines not only improves training efficiency but also establishes new SOTAs on video object discovery and recognition tasks. Furthermore, our PCA and gradient analyses confirm that objects' time-invariant semantics and time-variant kinematics are encoded into the proposed sub-spaces. Our source code, model checkpoints and training logs are provided on https://github.com/Genera1Z/xSSC.
- Abstract（参考訳）: Video Object-Centric Learning (OCL)は、オブジェクトをtextit{slot}ベクトルとして表現し、フレーム間の一貫性を維持することを目的としている。
SSC(Slot-Slot Contrastive)の損失は、最先端(SOTA)ビデオOCL法の基礎となっている。
非常に効果的であるが、SSCはフレーム間の1対1のオブジェクト対応に依存し、余分な損失をもたらす。
時間的一貫性は、明示的な損失ではなく、暗黙的なモデル設計として強制されるのがよい。
SSC (\textbf{xSSC}) 準ゼロオーバーヘッドの相乗的機構を2つ導入する: (\textit{i}) クロノ・シャンネル分解(CCD) チャネル次元に沿ってスロット表現を構造的に分解し、経験的に統一された情報ボトルネックとして機能し、 (\textit{ii}) クロステンポラル再構成(CTR) は、現在のスロットの静的チャネルとターゲットスロットの動的チャネルを融合することにより、現在の時間ステップのターゲット特徴を統計的に再構築する。
これにより、スロットセットは、標準再構成誤差を最小化し、時間的一貫性を本質的に学習する。
大規模な実験により、xSSCを主要なベースラインに統合することで、トレーニング効率が向上するだけでなく、ビデオオブジェクトの検出と認識タスクに新たなSOTAを確立することが示されている。
さらに,PCAと勾配解析により,オブジェクトの時間不変セマンティクスと時間不変キネマティクスが提案したサブ空間に符号化されていることを確認した。
ソースコード、モデルチェックポイント、トレーニングログはhttps://github.com/Genera1Z/xSSC.orgで公開されています。
関連論文リスト
- SSC-Priors: Exploring Semantic and Visibility Priors to Boost Lidar Semantic Scene Completion [61.665449818739155]
本稿では,ライダー・セマンティック・シーン・コンプリート(SSC)のための既存ネットワークの性能向上戦略について検討する。
我々は、既存のアプローチを改善するために、意味的な擬似ラベルとセンサ可視情報を使用する。
そこで本研究では,既成のSSCモデルの性能を著しく向上させ,意味的な擬似ラベルを用いた入力点雲の実現について述べる。
論文 参考訳（メタデータ） (2026-09-15T16:37:46Z) - TRaM-VSR: Importance-Aware Token Routing and Merging for One-Step Diffusion Video Super-Resolution [52.96050253456634]
TRaM-VSRは、コンテキスト対応のビデオプリエントとネットワークレベルを用いた適応トークンアロケーションのためのフレームワークである。
その結果、TRaM-VSRは、最先端の復元品質と頑健な時間的整合性を維持しつつ、推論を著しく加速することがわかった。
論文 参考訳（メタデータ） (2026-07-24T11:57:26Z) - Selective Synergistic Learning for Video Object-Centric Learning [43.27149574230564]
スロットベースオブジェクト中心学習のための選択型シナジスティック学習(SSync)を提案する。
SSyncは、最も信頼性の高いキューのみによるエラー伝搬によるパッチトパッチアライメントを防止する。
また、SSyncは分解品質を改善し、汎用的なプラグアンドプレイモジュールとして機能する。
論文 参考訳（メタデータ） (2026-06-14T00:51:33Z) - Dual-State Slot Attention: Decoupling Appearance and Identity for Video Object-Centric Learning [17.16289725621027]
教師なしのビデオオブジェクト中心学習は、動的シーンを監督なしで永続的なオブジェクトレベル表現に分解することを目的としている。
既存のスロットベースの手法は、高速動作や部分閉塞といった挑戦的な設定において、安定したオブジェクトのアイデンティティを維持するのに苦労する。
本稿では,自己管理型フレームワークであるDual-State Slot Attention (DSSA)を提案する。
論文 参考訳（メタデータ） (2026-06-10T19:00:47Z) - Adaptive Tokenisation Via Temporal Redundancy Masking And Latent Inpainting [18.71433885255431]
適応的ビデオトークン化(Adaptive Video tokenisation)は、シーケンスの基盤となる視覚的複雑さに基づいて、トークンの予算を動的に割り当てる。
凍結連続ビデオトークンの潜伏空間は,直接利用可能な時間的冗長性を本質的に符号化していることを示す。
パラメータフリー適応トークン割り当て機構を導入し,時間-L1差分に対する固定しきい値を適用した。
論文 参考訳（メタデータ） (2026-06-04T13:31:12Z) - Cycle Consistency in Video Object-Centric Learning [33.833061023960546]
自己監督型ビデオオブジェクト中心学習は、異なるオブジェクトを発見し、時間をかけて関連付けることを目的としている。
Cycle Consistency (CC) はOCLの潜在スロット空間に因果的あるいは明示的に適用できない。
本稿では,周期整合性制約を制約付きスロット空間から連続再構成多様体へシフトさせるImplicit Cycle Consistency (ICC)を提案する。
論文 参考訳（メタデータ） (2026-05-28T16:45:24Z) - Bootstrapping Video Semantic Segmentation Model via Distillation-assisted Test-Time Adaptation [58.40817037271021]
DiTTA(Distillation-assisted Test-Time Adaptation)は、ISSモデルをアノテーション付きビデオなしで時間的に認識されたVSSモデルに変換する新しいフレームワークである。
完全教師付きVSS法と比較して,DITTAの有効性を示す。
論文 参考訳（メタデータ） (2026-04-13T03:47:08Z) - Reconstruction-Guided Slot Curriculum: Addressing Object Over-Fragmentation in Video Object-Centric Learning [45.1920794546889]
Video Object-Centric Learningは、生のビデオを小さなオブジェクトスロットに分解しようとしている。
既存のスロットモデルは、しばしば厳しい過度なオーバーフラグメントに悩まされる。
我々はこの制限を再構築誘導スロットカリキュラムで解決する。
論文 参考訳（メタデータ） (2026-03-24T03:34:51Z) - IoUCert: Robustness Verification for Anchor-based Object Detectors [58.35703549470485]
IoUCertは、アンカーベースのオブジェクト検出アーキテクチャにおいて、これらのボトルネックを克服するために設計された、新しい形式的検証フレームワークである。
本手法は, SSD, YOLOv2, YOLOv3など, 現実的なアンカーベースモデルの各種入力摂動に対するロバスト性検証を可能にする。
論文 参考訳（メタデータ） (2026-03-03T14:36:46Z) - MomentSeg: Moment-Centric Sampling for Enhanced Video Pixel Understanding [40.37010049965347]
Referring Video Object (RefVOS)は、自然言語記述でガイドされたビデオにターゲットオブジェクトをセグメント化しようとする。
本稿では,時空間接地(TSG)とRefVOSを協調的に最適化し,キーモーメント接地機能を自然に組み込んだ統合フレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-10T11:18:21Z) - StPR: Spatiotemporal Preservation and Routing for Exemplar-Free Video Class-Incremental Learning [79.44594332189018]
CIL(Class-Incremental Learning)は、以前取得した知識を使わずに、時間とともに新しいアクションカテゴリを継続的に学習するモデルの開発を目指している。
既存のアプローチでは、メモリとプライバシに関する懸念を忘れたり、あるいは時間的モデリングを無視する静的なイメージベースのメソッドを適用したりする。
本稿では,情報を明示的に切り離して保存する,統一的で非定型なVCILフレームワークを提案する。
論文 参考訳（メタデータ） (2025-05-20T06:46:51Z) - Disentangling Spatial and Temporal Learning for Efficient Image-to-Video
Transfer Learning [59.26623999209235]
ビデオの空間的側面と時間的側面の学習を両立させるDiSTを提案する。
DiSTの非絡み合い学習は、大量の事前学習パラメータのバックプロパゲーションを避けるため、非常に効率的である。
5つのベンチマークの大規模な実験は、DiSTが既存の最先端メソッドよりも優れたパフォーマンスを提供することを示す。
論文 参考訳（メタデータ） (2023-09-14T17:58:33Z) - Temporal Transductive Inference for Few-Shot Video Object Segmentation [27.140141181513425]
Few-shot Object segmentation (FS-VOS) は、初期訓練中に見えないクラスのラベル付き例を用いて、ビデオフレームのセグメンテーションを目的としている。
我々のアプローチの鍵は、グローバルな時間的制約とローカルな時間的制約の両方を使用することである。
経験的に、我々のモデルは、YouTube-VIS上の組合間の平均交点を2.8%上回る、最先端のメタラーニングアプローチより優れている。
論文 参考訳（メタデータ） (2022-03-27T14:08:30Z)
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。