論文の概要: SFMambaNet: Spectral-Frequency Enhanced Selective State Space Model for Correspondence Pruning

• arxiv url: http://arxiv.org/abs/2606.04493v1
• Date: Wed, 03 Jun 2026 06:18:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.583071
• Title: SFMambaNet: Spectral-Frequency Enhanced Selective State Space Model for Correspondence Pruning
• Title（参考訳）: SFMambaNet:共振用スペクトル周波数拡張選択状態空間モデル
• Authors: Zhihua Wang, Yanping Li, Yizhang Liu,
• Abstract要約: 対応プルーニングは、初期対応セットから不整合を識別することを目的としている。 既存のグラフニューラルネットワーク(GNN)ベースの手法のほとんどは、粗いユークリッド座標からマッピングされた幾何学的特徴に依存している。 SFMambaNetは,新しいスペクトル周波数拡張型マンバ型2視点対応プルーニングネットワークである。
• 参考スコア（独自算出の注目度）: 10.38853040944686
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Correspondence pruning aims to identify inliers from an initial set of correspondences. Most existing Graph Neural Network (GNN)-based methods rely on geometric features mapped from coarse Euclidean coordinates, which struggle to capture the subtle geometric consistencies presented by inliers. While Mamba-based methods possess global receptive fields and long sequence modeling capabilities, they tend to accumulate substantial inconsistent features within the hidden state space, making it difficult to distinguish inliers from outliers. In this paper, we integrate frequency domain perception into this task for the first time and propose SFMambaNet, a novel Spectral-Frequency enhanced Mamba-based two-view correspondence pruning network. Our method is collaboratively composed of two components: First, we design a Local Spectral-Geometric Attention (LSGA) block. LSGA incorporates spectral positional encoding into local graph interactions and introduces multi-scale Mamba processing to enhance the capture of subtle geometric consistencies and improve local feature discriminability. Building upon this, we design a Spectral-Integrated Global Mamba (SIGM) block. SIGM embeds a frequency gating mechanism within the state space, utilizing the frequency information provided by LSGA to explicitly suppress high-frequency noise accumulation within hidden states and mitigate the propagation of inconsistent features. This enhances inlier-outlier separability and achieves robust global context modeling capabilities with nearly linear complexity. Extensive experiments demonstrate that SFMambaNet outperforms current state-of-the-art methods on several challenging tasks. The code is available at https://github.com/Kirito14IT/SFMambaNet.
• Abstract（参考訳）: 対応プルーニングは、初期対応セットから不整合を識別することを目的としている。 既存のグラフニューラルネットワーク(GNN)ベースのほとんどの手法は、粗いユークリッド座標からマッピングされた幾何学的特徴に依存している。 マンバをベースとした手法は、大域的受容場と長いシーケンスモデリング能力を持っているが、隠れ状態空間内にかなりの不整合性を蓄積する傾向にあり、不整合と外れ値の区別が難しい。 本稿では、周波数領域の認識を初めてこのタスクに統合し、新しいスペクトル周波数拡張型マンバ型2視点対応プルーニングネットワークであるSFMambaNetを提案する。 まず,局所スペクトル・幾何学的注意(LSGA)ブロックを設計する。 LSGAは、局所グラフ相互作用にスペクトル位置符号化を導入し、微妙な幾何学的成分の捕捉を強化し、局所的特徴識別性を向上させるため、マルチスケールのマンバ処理を導入している。 そこで我々は、SIGM(Spectral-Integrated Global Mamba)ブロックを設計する。 SIGMは、LSGAが提供する周波数情報を利用して、隠れた状態内の高周波ノイズの蓄積を明示的に抑制し、一貫性のない特徴の伝播を緩和する周波数ゲーティング機構を状態空間に埋め込む。 これにより、イリヤ・イリヤ分離性が向上し、ほぼ線形の複雑さを持つロバストなグローバルコンテキストモデリング機能を実現する。 大規模な実験では、SFMambaNetがいくつかの課題に対して現在の最先端の手法より優れていることが示されている。 コードはhttps://github.com/Kirito14IT/SFMambaNetで公開されている。

関連論文リスト

• HW-GNN: Homophily-Aware Gaussian-Window Constrained Graph Spectral Network for Social Network Bot Detection [5.793458146146123]
  ソーシャルボットは、誤情報を広げ、調整された操作を行うことによって、オンラインプラットフォームを汚染している。 グラフニューラルネットワーク(GNN)は、構造的および属性的機能を統合できるため、ソーシャルボット検出の主流となっている。 HW-GNNは、ガウス窓制約を持つ新しいホモフィリー対応グラフスペクトルネットワークである。
  論文  参考訳（メタデータ） (2025-11-27T14:29:40Z)
• HyM-UNet: Synergizing Local Texture and Global Context via Hybrid CNN-Mamba Architecture for Medical Image Segmentation [3.976000861085382]
  HyM-UNet は,CNN の局所的特徴抽出能力を,Mamba の効率的なグローバルモデリング能力と相乗化するために設計された。 エンコーダとデコーダのセマンティックギャップを埋めるため,Mamba-Guided Fusion Skip Connectionを提案する。 その結果,HyM-UNetはDice係数とIoUで既存の最先端手法を著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2025-11-22T09:02:06Z)
• FMNet: Frequency-Assisted Mamba-Like Linear Attention Network for Camouflaged Object Detection [7.246630480680039]
  カモフラージュ対象物検出(COD)は、カモフラージュ対象物とその周囲の強い類似性のために困難である。 既存の手法は主に空間的局所的特徴に依存しており、グローバルな情報を捉えていない。 周波数支援型マンバ様線形注意ネットワーク(FMNet)は,グローバルな特徴を効率的に捉えるために提案されている。
  論文  参考訳（メタデータ） (2025-03-14T02:55:19Z)
• Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
  ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。 本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
  論文  参考訳（メタデータ） (2024-11-21T14:19:32Z)
• SIGMA: Selective Gated Mamba for Sequential Recommendation [56.85338055215429]
  最近の進歩であるMambaは、時系列予測において例外的なパフォーマンスを示した。 SIGMA(Selective Gated Mamba)と呼ばれる,シークエンシャルレコメンデーションのための新しいフレームワークを紹介する。 以上の結果から,SIGMAは5つの実世界のデータセットにおいて,現在のモデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-08-21T09:12:59Z)
• DualMamba: A Lightweight Spectral-Spatial Mamba-Convolution Network for Hyperspectral Image Classification [10.329381824237434]
  本稿では,HSI分類のための軽量なデュアルストリームマンバ畳み込みネットワーク(DualMamba)を提案する。 具体的には,グローバルおよび局所スペクトル空間の特徴を抽出するために,並列軽量なMambaブロックとCNNブロックを開発した。 現状のHSI分類法と比較して、DualMambaが有意な分類精度を達成することを示す実験結果が得られた。
  論文  参考訳（メタデータ） (2024-06-11T08:26:42Z)
• Mesh Denoising Transformer [104.5404564075393]
  Mesh Denoisingは、入力メッシュからノイズを取り除き、特徴構造を保存することを目的としている。 SurfaceFormerはTransformerベースのメッシュDenoisingフレームワークのパイオニアだ。 局所曲面記述子(Local Surface Descriptor)として知られる新しい表現は、局所幾何学的複雑さをキャプチャする。 Denoising Transformerモジュールは、マルチモーダル情報を受信し、効率的なグローバル機能アグリゲーションを実現する。
  論文  参考訳（メタデータ） (2024-05-10T15:27:43Z)
• SpectralMamba: Efficient Mamba for Hyperspectral Image Classification [39.18999103115206]
  リカレントニューラルネットワークとトランスフォーマーは、ハイパースペクトル(HS)イメージングにおけるほとんどの応用を支配している。 我々は、HS画像分類のための効率的なディープラーニングフレームワークを組み込んだ新しい状態空間モデルであるSpectralMambaを提案する。 SpectralMambaは、パフォーマンスと効率の両面から、驚くほど有望な勝利を生み出している。
  論文  参考訳（メタデータ） (2024-04-12T14:12:03Z)
• Frequency Perception Network for Camouflaged Object Detection [51.26386921922031]
  周波数領域のセマンティック階層によって駆動される新しい学習可能かつ分離可能な周波数知覚機構を提案する。 ネットワーク全体では、周波数誘導粗い局所化ステージと細部保存の微細局在化ステージを含む2段階モデルを採用している。 提案手法は,既存のモデルと比較して,3つのベンチマークデータセットにおいて競合性能を実現する。
  論文  参考訳（メタデータ） (2023-08-17T11:30:46Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)

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。