論文の概要: Unlocking Diffusion Hierarchies: Adaptive Timestep Selection for Zero-Shot Segmentation

• arxiv url: http://arxiv.org/abs/2606.15590v1
• Date: Sun, 14 Jun 2026 04:21:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.707991
• Title: Unlocking Diffusion Hierarchies: Adaptive Timestep Selection for Zero-Shot Segmentation
• Title（参考訳）: アンロック拡散階層:ゼロショットセグメンテーションのための適応時間選択
• Abstract要約: コンテキスト類似マップは、リッチなU-Netエンコーダ機能を備えた高分解能アテンションマップを融合する。 様々な拡散モデルの認知過程における創発的階層的セマンティック・プログレクションを同定する。 我々の手法は、既存のゼロショットセグメンテーションベースラインを一貫して上回る。
• 参考スコア（独自算出の注目度）: 1.2074552857379275
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Zero-shot segmentation has recently shown notable improvement by leveraging the rich visual priors in large-scale text-to-image diffusion models, such as Stable Diffusion. However, current diffusion-based methods often face limitations due to the trade-off between spatial resolution and contextual information, as well as their reliance on a single static timestep for feature extraction. To overcome these challenges, our work introduces two key advancements. First, our Contextual Similarity Maps fuse high-resolution attention maps with rich U-Net encoder features, providing both fine-grained and robust per-pixel representations. Second, we identify an emergent hierarchical semantic progression within the denoising process of various diffusion models: representations transition from part-level abstractions at earlier timesteps to object-level abstractions at later stages. Leveraging this insight, we introduce a mechanism to adaptively select the optimal timestep for each pixel. Extensive experiments demonstrate that our method consistently outperforms existing zero-shot segmentation baselines, validating the efficacy of combining contextual features with dynamic, hierarchical timestep selection.
• Abstract（参考訳）: ゼロショットセグメンテーションは、Stable Diffusionのような大規模テキストと画像の拡散モデルにおいて、リッチな視覚的先行性を活用することで、最近顕著に改善されている。 しかし、現在の拡散法は空間分解能と文脈情報とのトレードオフや、特徴抽出のための1つの静的時間ステップに依存するため、しばしば制限に直面している。 これらの課題を克服するために、我々の研究は2つの重要な進歩をもたらした。 まず、Contextual similarity Mapsは、高解像度のアテンションマップとリッチなU-Netエンコーダ機能を融合し、細粒度と堅牢なピクセル単位の表現を提供します。 第二に、様々な拡散モデルの認知過程における創発的階層的セマンティック・プログレクションを同定する: 初期の段階における部分レベルの抽象から後期段階におけるオブジェクトレベルの抽象へと、表現が遷移する。 この知見を生かして,各画素の最適な時間ステップを適応的に選択する機構を導入する。 広汎な実験により,提案手法は既存のゼロショットセグメンテーションベースラインを一貫して上回り,コンテキスト特徴と動的階層的時間ステップ選択の併用の有効性を検証した。

関連論文リスト

• Rarity-Aware Discrete Diffusion with Spatially Consistent Decoding for Photo-Realistic Image Super-Resolution [80.28905986756685]
  DiMOO-SRは光リアル画像超解法のための多モード離散拡散フレームワークである。 広く使われている実世界のSRベンチマークの実験では、DiMOO-SRはいくつかの並列デコードステップで競合する知覚品質を達成する。
  論文  参考訳（メタデータ） (2026-07-20T07:01:01Z)
• From Diffusion to Rectified Flow: Rethinking Text-Based Segmentation [6.365160557699766]
  テキストベースのイメージセグメンテーションは、テキストプロンプトから画像内のオブジェクト境界を明確にすることを目的としている。 近年の研究では、拡散モデルがリッチなマルチモーダルセマンティックな特徴を提供できることが示されている。 本稿では,画像から潜在空間内のセグメンテーションマスクへの直接マッピングを学習するために,Rectified Flowを利用した新しいフレームワーク RLFSegを提案する。
  論文  参考訳（メタデータ） (2026-05-06T07:40:45Z)
• CIAR: Interval-based Collaborative Decoding for Image Generation Acceleration [47.52310736101766]
  自動回帰(AR)モデルは最近画像生成において顕著な進歩を遂げ、拡散ベースのアプローチに匹敵するパフォーマンスを実現している。 我々は、デバイス上での自己検証を利用して視覚合成の2つの重要な特性を扱うクラウド・デバイス・コラボレーション・フレームワークである textbfCIAR を通じてこの問題に対処する。 提案手法は, 連続確率間隔を用いて処理を高速化し, 大規模視覚語彙で実現可能なオンデバイストークン不確実性定量化器に重点を置いている。
  論文  参考訳（メタデータ） (2026-03-26T14:04:50Z)
• OptiCorNet: Optimizing Sequence-Based Context Correlation for Visual Place Recognition [2.3093110834423616]
  本稿では,新しいシーケンスモデリングフレームワークOptiCorNetを提案する。 空間的特徴抽出と時間的差分を微分可能でエンドツーエンドのトレーニング可能なモジュールに統一する。 本手法は,季節的・視点的な変化に挑戦し,最先端のベースラインよりも優れる。
  論文  参考訳（メタデータ） (2025-07-19T04:29:43Z)
• Flow Intelligence: Robust Feature Matching via Temporal Signature Correlation [12.239059174851654]
  フローインテリジェンス(Flow Intelligence)は、時間的動きのパターンのみに焦点を当てたパラダイムシフトのアプローチである。 本手法は,連続するフレームにまたがる画素ブロックから動きのシグネチャを抽出し,ビデオ間の時間的動きのシグネチャを抽出する。 外観よりも動きを活用することで、フローインテリジェンスは多様な環境で堅牢でリアルタイムなビデオ特徴マッチングを可能にする。
  論文  参考訳（メタデータ） (2025-04-16T10:25:20Z)
• Mask Approximation Net: A Novel Diffusion Model Approach for Remote Sensing Change Captioning [14.994719390886774]
  リモートセンシング画像変化記述は、リモートセンシング処理の領域における革新的なマルチモーダルタスクを表す。 本稿では,周波数領域雑音フィルタリングにより強化された拡散モデルを用いたデータ分散学習へ移行するパラダイムを提案する。 本稿では,リモートセンシングによる変化検出と記述のための提案手法の有効性を検証する。
  論文  参考訳（メタデータ） (2024-12-26T11:35:57Z)
• High-Precision Dichotomous Image Segmentation via Probing Diffusion Capacity [69.32473738284374]
  拡散モデルは、例外的な品質、詳細な解像度、強い文脈認識を提供することによって、テキストと画像の合成に革命をもたらした。 本稿では,拡散モデルにおける事前学習されたU-Netのポテンシャルを利用する拡散駆動セグメンテーションモデルDiffDISを提案する。 DIS5Kデータセットの実験は、DiffDISの優位性を示し、合理化された推論プロセスを通じて最先端の結果を達成する。
  論文  参考訳（メタデータ） (2024-10-14T02:49:23Z)
• Binarized Diffusion Model for Image Super-Resolution [61.963833405167875]
  超圧縮アルゴリズムであるバイナリ化は、高度な拡散モデル(DM)を効果的に加速する可能性を提供する 既存の二項化法では性能が著しく低下する。 画像SRのための新しいバイナライズ拡散モデルBI-DiffSRを提案する。
  論文  参考訳（メタデータ） (2024-06-09T10:30:25Z)
• Look Back and Forth: Video Super-Resolution with Explicit Temporal Difference Modeling [105.69197687940505]
  本稿では,LR空間とHR空間における時間差の明示的モデル化の役割について検討する。 超解像結果をさらに高めるために、空間残留特徴を抽出するだけでなく、高周波領域における連続フレーム間の差も計算する。
  論文  参考訳（メタデータ） (2022-04-14T17:07:33Z)
• Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
  本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。 実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
  論文  参考訳（メタデータ） (2021-11-27T12:12:57Z)
• TimeLens: Event-based Video Frame Interpolation [54.28139783383213]
  本稿では,合成法とフロー法の両方の利点を生かした,等価寄与法であるTime Lensを紹介する。 最先端のフレームベースおよびイベントベース手法よりもPSNRが最大5.21dB向上したことを示す。
  論文  参考訳（メタデータ） (2021-06-14T10:33:47Z)
• Coarse-Fine Networks for Temporal Activity Detection in Videos [45.03545172714305]
  Co-Fine Networks」は、時間分解の異なる抽象化の恩恵を受け、長期的な動きのためのより良いビデオ表現を学ぶ2流アーキテクチャです。 提案手法は,計算量とメモリフットプリントを大幅に削減して,公開データセットにおける動作検出の最先端を上回ることができることを示す。
  論文  参考訳（メタデータ） (2021-03-01T20:48:01Z)

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。