論文の概要: SAM2Matting: Generalized Image and Video Matting

• arxiv url: http://arxiv.org/abs/2606.27339v1
• Date: Thu, 25 Jun 2026 17:48:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.390982
• Title: SAM2Matting: Generalized Image and Video Matting
• Title（参考訳）: SAM2Matting: 一般的な画像とビデオのマッチング
• Abstract要約: SAM2Mattingは、VOSトラッカーを高忠実度ビデオマッティングに進化させるトラッカー・ツー・マッティングフレームワークである。 ビデオマッティングに新たな最先端パフォーマンスを確立し、多様なプロンプトタイプをサポートし、時間的一貫性を強く維持し、人間中心のシナリオと戦時シナリオの両方にわたって堅牢な一般化を実証する。
• 参考スコア（独自算出の注目度）: 42.2657019613467
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite impressive advances in image matting, video matting remains challenging due to the inherent gap between high-level tracking, which requires frame-wise understanding, and low-level matting, which focuses on extremely fine-grained details. Existing methods attempt this with expensive and narrowly-scoped video matting datasets, which may limit out-of-domain generalization and compromise tracking robustness. We rethink the paradigm with SAM2Matting, a tracker-to-matting framework that advances VOS trackers to high-fidelity video matting. Specifically, it decouples the task by enhancing a foundational tracker (e.g., SAM2, SAM3) with a region-proposal bridge and dedicated matting heads, enabling the uncompromised tracker to handle temporal consistency while the matting components resolve fine-grained details. Notably, despite being trained only on images, SAM2Matting establishes new state-of-the-art performance on video matting, supports diverse prompt types, maintains strong temporal consistency, and demonstrates robust generalization across both human-centric and in-the-wild scenarios.
• Abstract（参考訳）: 画像マッチングの大幅な進歩にもかかわらず、フレームワイドな理解を必要とするハイレベルトラッキングと、非常にきめ細かな詳細に焦点を当てた低レベルマッチングとの間には、固有のギャップがあるため、ビデオマッチングは依然として困難である。 既存の手法では、ドメイン外一般化を制限し、ロバスト性を追跡するような、高価で狭められたビデオマッチングデータセットでこれを試みている。 我々は、VOSトラッカーを高忠実度ビデオマッティングに進化させるトラッカー・ツー・マッティング・フレームワークであるSAM2Mattingで、このパラダイムを再考する。 具体的には、基礎的なトラッカー(例えばSAM2、SAM3)を地域間橋と専用のマットヘッドで拡張することでタスクを分離し、未コンパイルのトラッカーが時間的一貫性を処理し、マットコンポーネントはきめ細かな詳細を解決します。 特に、SAM2Mattingは、画像のみにトレーニングされているにも関わらず、ビデオマッティングに新しい最先端のパフォーマンスを確立し、多様なプロンプトタイプをサポートし、時間的一貫性を強く維持し、人間中心のシナリオと夢中シナリオの両方にわたって堅牢な一般化を実証する。

関連論文リスト

• Segment Anything with Motion, Geometry, and Semantic Adaptation for Complex Nonlinear Visual Object Tracking [81.34609950921023]
  近年のビジョン基礎モデルはSAM 2で実証されている。 本稿では, SAM 2 を複雑な VOT シナリオに適用する新たなトラッキングフレームワーク SAMOSA を提案する。
  論文  参考訳（メタデータ） (2026-05-21T14:25:28Z)
• SAMITE: Position Prompted SAM2 with Calibrated Memory for Visual Object Tracking [58.35852822355312]
  Visual Object Tracking (VOT)は、ビデオ内のターゲットを継続的に追跡する自律運転のようなアプリケーションで広く使われている。 これらの問題に対処するために、ビデオ基盤モデルSAM2をVOTに適用し、各フレームの追跡結果をメモリとして符号化し、残りのフレームを自己回帰的に条件付けする手法を提案する。 これらの課題に対処するために,SAM2 上にモジュールを追加して構築した SAMITE モデルを提案する。
  論文  参考訳（メタデータ） (2025-07-29T12:11:56Z)
• What You Have is What You Track: Adaptive and Robust Multimodal Tracking [72.92244578461869]
  本研究では,時間的に不完全なマルチモーダルデータを用いたトラッカー性能に関する総合的研究を行った。 我々のモデルは9つのベンチマークでSOTA性能を達成し、従来の完全性と欠落したモダリティ設定の両方で優れている。
  論文  参考訳（メタデータ） (2025-07-08T11:40:21Z)
• Adaptive Human Matting for Dynamic Videos [62.026375402656754]
  Adaptive Matting for Dynamic VideosはAdaMと呼ばれ、背景と背景を同時に区別するフレームワークである。 この目的を達成するために、2つの相互接続ネットワーク設計が採用されている。 提案手法が最近導入したデータセットをベンチマークし,検討した結果,行列が新たなクラス内でのベスト・イン・クラス・ジェネリザビリティを実現することがわかった。
  論文  参考訳（メタデータ） (2023-04-12T17:55:59Z)
• Learning to Track Instances without Video Annotations [85.9865889886669]
  本稿では,ラベル付き画像データセットとラベルなしビデオシーケンスのみを用いたインスタンス追跡ネットワークを学習する,新しい半教師付きフレームワークを提案する。 画像のみを訓練しても,学習した特徴表現は出現の変動にロバストであることが判明した。 さらに、このモジュールを単一ステージのインスタンスセグメンテーションとポーズ推定フレームワークに統合します。
  論文  参考訳（メタデータ） (2021-04-01T06:47:41Z)

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。