論文の概要: ScaleAware-JEPA: Latent Representation for Discovery in Multiscale Physical Fields

• arxiv url: http://arxiv.org/abs/2606.29723v1
• Date: Mon, 29 Jun 2026 03:00:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.026529
• Title: ScaleAware-JEPA: Latent Representation for Discovery in Multiscale Physical Fields
• Title（参考訳）: ScaleAware-JEPA:マルチスケール物理分野における発見のための潜在表現
• Abstract要約: 本研究では,連続スカラーフィールドのための密度の高いラベルなし潜在座標を構成するフレームワークであるScaleAware-JEPAを紹介する。 Constrained Diffusion Decomposition (CDD)は、各フィールドをピクセル登録スケールコンポーネントに分離する。 結果のJEPAの目標は、各コンポーネントの拡散スケールに関連付けられたコンテキストフットプリントで隠れた構造を予測する。
• 参考スコア（独自算出の注目度）: 0.8122270502556375
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continuous physical fields represent a large fraction of data under scientific investigation. Their multiscale structures are central to discovery, yet useful coordinates are not known in advance. Standard self-supervised methods define context and targets in fixed image coordinates, posing a predictive task misaligned with fields organized across a continuous scale hierarchy. We introduce ScaleAware-JEPA, a framework that constructs dense, label-free latent coordinates for continuous scalar fields. Constrained Diffusion Decomposition (CDD) separates each field into pixel-registered scale components and provides the scale coordinates that define the masking geometry. The resulting JEPA objective predicts hidden structure with a context footprint tied to the diffusion scale of each component rather than to an arbitrary patch size. Across MHD turbulence, interstellar molecular gas and urban nighttime-light structure, the learned geometry maps back to coherent morphology, forming dense structural atlases without labels or predefined segmentation rules. By tying latent prediction to the scale hierarchy of a field, ScaleAware-JEPA constructs latent coordinates through which complex physical patterns can be inspected before their relevant structures have been prescribed. Code is available at https://github.com/gxli/SA-JEPA.
• Abstract（参考訳）: 連続的な物理的フィールドは、科学的な調査の下での大量のデータを表す。 それらのマルチスケール構造は発見の中心であるが、有用な座標は事前に分かっていない。 標準的な自己教師型手法は、固定された画像座標におけるコンテキストとターゲットを定義し、連続的なスケール階層で構成されたフィールドと予測タスクが一致しないようにしている。 本研究では,連続スカラーフィールドのための密度の高いラベルなし潜在座標を構成するフレームワークであるScaleAware-JEPAを紹介する。 Constrained Diffusion Decomposition (CDD)は、各フィールドをピクセル登録スケールコンポーネントに分離し、マスキング幾何学を定義するスケール座標を提供する。 結果として得られるJEPAの目標は、任意のパッチサイズではなく、各コンポーネントの拡散スケールに結びついたコンテキストフットプリントを持つ隠れた構造を予測する。 MHDの乱流、恒星間分子ガス、都市夜間の光構造全体にわたって、学習された幾何学はコヒーレントな形態に写像し、ラベルや事前に定義されたセグメンテーション規則なしで密度の高い構造アトラスを形成する。 フィールドのスケール階層に潜在予測を結び付けることで、ScaleAware-JEPAは関連する構造が規定される前に複雑な物理パターンを検査できる潜在座標を構築する。 コードはhttps://github.com/gxli/SA-JEPAで入手できる。

関連論文リスト

• TerraDiT-$Ω$: Unified Spatial Control for Satellite Image Synthesis with Any Geospatial Primitive [19.699267665705715]
  TerraDiT-$は、任意のネイティブプリミティブから直接衛星画像を生成する統合空間制御フレームワークである。 生成モデルは驚くべき進歩を遂げているが、衛星画像に適用することは依然として困難である。
  論文  参考訳（メタデータ） (2026-06-30T01:56:41Z)
• GeoMamba: A Geometry-driven MambaVision Framework and Dataset for Fine-grained Optical-SAR Object Retrieval [54.741349848771144]
  GeoMambaは光学SAR微細検索のための幾何学駆動フレームワークである。 GFIモジュールは、クロスモーダルな機能相互作用を強化し、構造的な事前を組み込む。 GeoMambaは既存の手法を上回り、全検索環境で63.3% mAPと77.0% Rank-1の精度を達成した。
  論文  参考訳（メタデータ） (2026-05-19T12:08:09Z)
• SOCC-ICP: Semantics-Assisted Odometry based on Occupancy Grids and ICP [1.2744523252873352]
  SOCC-ICPはセマンティックOCCupancyグリッドマッピングとLiDARスキャンアライメントを共同で実行するセマンティック支援オドメトリーフレームワークである。 最先端のLiDARオドメトリーと性能を競い合っており、幾何的に退化した環境でも頑丈である。 SOCC-ICPは,1つの表現内でのオードメトリとセマンティック占有グリッドマッピングを統一することにより,冗長なマップ構造を排除している。
  論文  参考訳（メタデータ） (2026-05-14T17:00:38Z)
• Geometry-aware Prototype Learning for Cross-domain Few-shot Medical Image Segmentation [11.12183614587322]
  クロスドメイン少ショット医療画像セグメンテーション(CD-FSMIS)は、新しい解剖学的カテゴリと見えない画像領域を同時に一般化するモデルを必要とする。 既存の原型的アプローチは、必然的に解剖学的構造とドメイン固有の外観変化を絡み合わせる。 幾何対応のCD-FSMISフレームワークであるGeoProtoを提案する。
  論文  参考訳（メタデータ） (2026-05-11T17:32:26Z)
• StructDiff: A Structure-Preserving and Spatially Controllable Diffusion Model for Single-Image Generation [72.84181869780627]
  StructDiffは、単一画像生成のための単一スケール拡散モデルに基づく生成フレームワークである。 3次元位置符号化(PE)を空間的先行として組み込んでおり、生成されたオブジェクトの位置、スケール、局所的な詳細を柔軟に制御することができる。 また、テキスト誘導画像生成、画像編集、アウトペインティング、ペイント・ツー・イメージ合成など、下流タスクにも幅広い適用性を示す。
  論文  参考訳（メタデータ） (2026-04-14T10:55:43Z)
• GeoMeld: Toward Semantically Grounded Foundation Models for Remote Sensing [33.72621953693859]
  GeoMeldは大規模なマルチモーダルデータセットで、約250万個の空間的に整列したサンプルがある。 GeoMeldは、エージェントキャプションフレームワークを通じて意味論的に基盤付けられた言語管理を提供する。 GeoMeld-FMは、アライメントされたモダリティ、JEPA表現学習、キャプション-ビジョンのコントラストアライメントを多言語で表した自動エンコーディングを組み合わせた事前トレーニングフレームワークである。
  論文  参考訳（メタデータ） (2026-04-12T11:47:11Z)
• PacGDC: Label-Efficient Generalizable Depth Completion with Projection Ambiguity and Consistency [63.74016242995453]
  PacGDCは、一般化可能な深度補完のための最小限のアノテーションでデータ多様性を向上させるラベル効率のよい手法である。 本稿では,複数の深度基礎モデルをスケールマニピュレータとして利用する新しいデータ合成パイプラインを提案する。 実験により、PacGDCは複数のベンチマークで顕著に一般化可能であることが示された。
  論文  参考訳（メタデータ） (2025-07-10T01:56:30Z)
• Geometry-Editable and Appearance-Preserving Object Compositon [67.98806888489385]
  汎用オブジェクト合成(GOC)は、対象オブジェクトを望まれる幾何学的性質を持つ背景シーンにシームレスに統合することを目的としている。 近年のアプローチは意味的埋め込みを導出し、それらを高度な拡散モデルに統合し、幾何学的に編集可能な生成を可能にする。 本稿では,まずセマンティックな埋め込みを活用して,所望の幾何学的変換を暗黙的にキャプチャするDistangled Geometry-editable and Outearance-Preserving Diffusionモデルを提案する。
  論文  参考訳（メタデータ） (2025-05-27T09:05:28Z)
• Open-Vocabulary Octree-Graph for 3D Scene Understanding [54.11828083068082]
  Octree-Graphはオープンな3Dシーン理解のための新しいシーン表現である。 セマンティクスを記憶し、その形状に応じてオブジェクトの占有度を調節するアダプティブ・オクツリー構造を開発する。
  論文  参考訳（メタデータ） (2024-11-25T10:14:10Z)
• Object-level Geometric Structure Preserving for Natural Image Stitching [11.884195814743249]
  我々はGlobal similarity Prior (OBJ-GSP)に基づく画像内のOBJectレベルの全体構造を保護すべく努力している。 三角形メッシュは画像内のオブジェクト全体の形状を保護するために画像変換に使用される。 我々は最も多様なシナリオを持つ最大の画像縫合ベンチマークであるStitchBenchを提案する。
  論文  参考訳（メタデータ） (2024-02-20T02:54:03Z)
• A Hybrid Semantic-Geometric Approach for Clutter-Resistant Floorplan Generation from Building Point Clouds [2.0859227544921874]
  本研究では,レーザ走査型ビルディングポイント雲からのクラッタ耐性フロアプラン生成のためのハイブリッドセマンティック・ジオメトリ手法を提案する。 提案手法は,精度,リコール,インターセクション・オーバー・ユニオン(IOU),ベティ誤差,ワープ誤差の計測値を用いて評価する。
  論文  参考訳（メタデータ） (2023-05-15T20:08:43Z)
• Unveiling the Potential of Structure-Preserving for Weakly Supervised Object Localization [71.79436685992128]
  本稿では,WSOLの畳み込み機能に組み込まれた構造情報を完全に活用するための2段階構造保存アクティベーション(SPA)を提案する。 第1段階では、分類ネットワークによって引き起こされる構造ミス問題を軽減するために制限アクティベーションモジュール(ram)が設計されている。 第2段階では, 自己相関マップ生成(SCG)モジュールと呼ばれるプロセス後アプローチを提案し, 構造保存ローカライゼーションマップを得る。
  論文  参考訳（メタデータ） (2021-03-08T03:04:14Z)

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。