論文の概要: A Good Initialization is All You Need for Faithful Visual Attribution
- arxiv url: http://arxiv.org/abs/2607.06726v1
- Date: Tue, 07 Jul 2026 18:47:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-09 22:50:30.199984
- Title: A Good Initialization is All You Need for Faithful Visual Attribution
- Title（参考訳）: 優れた初期化は、誠実な視覚属性に必要なもの
- Abstract要約: 多くの応用、特にMLLMの属性と修復は、コンパクトなトップ(k)エビデンスマスクだけを必要とする。
textscTRACEは、クロスエントロピーサンプリング、エリート保持、配布更新によって、固定心電図の極小領域マスクを検索する。
textscTRACEマスクは、さらに(94.44%)と(96.00%)の単一点RePOPE修復率を達成する
- 参考スコア（独自算出の注目度）: 15.375622942149635
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Faithful visual attribution identifies which image regions support a model prediction. Search-based perturbation methods lead the insertion--deletion faithfulness frontier by masking regions and measuring score changes, but they usually output a complete ordering of all regions. Many applications, especially MLLM attribution and repair, only need a compact top-\(k\) evidence mask. We study this mask-first attribution problem. An exactly \(k\)-region mask is combinatorial: useful evidence can depend on interactions among fine regions. Coarse grouping can stabilize early search but aggregates redundant content, whereas one-step scoring can miss high-value combinations. We introduce two forward-only methods. \textsc{CoPAIR} uses a PhaseWin--Greedy gap diagnosis to construct coarse singleton/pair candidates that warm-start full-ordering search. \textsc{TRACE} directly searches fixed-cardinality fine-region masks with cross-entropy sampling, elite retention, and distribution updates, with a finite-budget recovery analysis. The resulting evidence set can be returned as a compact attribution mask or used to initialize Greedy or PhaseWin when a complete ranking is required. Across ImageNet classification with CLIP ViT-L/14, CLIP RN101, and ResNet-101, our initialized search methods establish a new state-of-the-art frontier for faithful full-ordering attribution under inclusive forward-call accounting. On POPE and RePOPE with Qwen2.5-VL-3B-Instruct and LLaVA-v1.5-7B, \textsc{TRACE}+Greedy gives the strongest search-based MLLM attribution results. Direct \textsc{TRACE} masks further achieve single-point RePOPE repair rates of \(94.44\%\) and \(96.00\%\), showing that compact evidence masks can be actionable attribution outputs, not merely prefixes of full rankings.
- Abstract（参考訳）: 忠実な視覚属性は、どの画像領域がモデル予測をサポートするかを特定する。
探索に基づく摂動法は、マスキング領域による挿入-削除忠実フロンティアを誘導し、スコアの変化を測定するが、通常は全ての領域の完全な順序付けを出力する。
多くの応用、特にMLLMの属性と修復は、コンパクトなトップ(k)エビデンスマスクだけを必要とする。
このマスク優先帰属問題について検討する。
正確な \(k\)-領域マスクは組合せであり、有用な証拠は細かい領域間の相互作用に依存する。
粗いグルーピングは早期検索を安定させるが、冗長なコンテンツを集約する。
フォワードオンリー方式を2つ導入する。
textsc{CoPAIR} は、PhaseWin-Greedyギャップ診断を使用して、厳密なシングルトン/ペア候補を構築し、全順序検索をウォームスタートさせる。
\textsc{TRACE}は、有限予算リカバリ分析を用いて、クロスエントロピーサンプリング、エリート保持、分布更新により、固定心域マスクを直接検索する。
結果として得られたエビデンスセットは、コンパクトな属性マスクとして返却したり、完全なランキングが必要なときに Greedy や PhaseWin を初期化するために使用することができる。
画像ネットをCLIP ViT-L/14,CLIP RN101,ResNet-101で分類することで,初期化検索手法は,包括的フォワードコール会計の下での忠実なフルオーダー属性に対する新たな最先端のフロンティアを確立する。
Qwen2.5-VL-3B-InstructとLLaVA-v1.5-7BのPOPEおよびRePOPEでは、Greedyは最強の検索ベースのMLLM属性結果を与える。
Direct \textsc{TRACE} マスクはさらに、単一点 RePOPE の修理率 \(94.44\%\) と \(96.00\%\) を達成し、コンパクトなエビデンスマスクは、単に完全なランキングのプレフィックスではなく、帰属出力として作用できることを示す。
関連論文リスト
- Beyond the Reranker: Do RAG Retrieval Enhancements Help Once a Strong Reranker Is Present? [3.77661940418406]
クエリ拡張,階層的およびクロスドキュメント要約,グラフベースの拡張,クエリごとのルーティング,ランク融合,修正的再検索について検討した。
パイプラインの品質の大部分を、強力なクロスエンコーダリランカが占めていることを示す。
残りの再ランク法とプール拡張法は、階層的な要約、グラフ展開、ルーティング、ランク融合など、一般的な用途では、再ランカが存在すれば信頼できる利得は得られない。
論文 参考訳（メタデータ） (2026-06-14T20:50:41Z) - Attention-Discounted Adaptive Sampler for Masked Diffusion Language Models [59.51249894128724]
マスク付き拡散言語モデルは、反復を識別するごとに複数のトークンを明らかにすることで推論ステップを削減することができる。
パラレルマスク拡散復号法のためのトレーニング不要な復号法であるADASを提案する。
論文 参考訳（メタデータ） (2026-06-09T13:17:27Z) - Closing the Indexing-Decoding Gap in Multimodal Generative Retrieval via Prefix Retention Optimization [68.48718919047127]
マルチモーダル生成検索式は、複数のモーダル検索を離散識別子生成として定義し、外部埋め込みよりも明示的な類似性探索を不要とする。
既存の手法では、残差量子化によって識別子を構築し、トリエ制約ビームサーチでデコードする。
この組み合わせは、インデックス化とデコーディングのギャップを導入している: 識別子学習の目的は、再構成や対照的な損失を含むが、デコーディング中にプレフィックスの識別性を明示的に強制しない。
1)プレフィックスの格付け蒸留は、リストワイドロスを用いた事前量子化埋め込みによって誘導されるプレフィックスと整合する; (ii)語彙スケジューリングは、コードブックを増大させる。
論文 参考訳（メタデータ） (2026-06-08T09:15:47Z) - DPM++: Dynamic Masked Metric Learning for Occluded Person Re-identification [32.9985650634494]
DPM++は、排除された人物の再識別のための動的マスクドメトリックラーニングフレームワークである。
入力適応マスク付きメトリックを学習し、隠蔽されたインスタンスごとに信頼性の高いIDサブスペースを動的に選択する。
全体的なシナリオと排他的シナリオの両方において、従来の最先端の手法を一貫して上回ります。
論文 参考訳（メタデータ） (2026-05-07T17:47:23Z) - Golden RPG: Confidence-Adaptive Region-Aware Noise for Compositional Text-to-Image Generation [6.188951069930088]
合成テキスト・トゥ・イメージ(T2I)生成は、異なる画像領域を記述する複数のサブプロンプトを尊重するモデルを必要とする。
textbfGolden RPGは,凍結したNPNetを2つのトレーニング可能な追加で拡張する領域対応ノイズ予測器である。
ゴールデンRPGは、CLIP-ScoreとCLIP-IQAで最強のベースラインにマッチしながら、各カテゴリーで最高クロスレギュオン・コヒーレンススコアを達成している。
論文 参考訳（メタデータ） (2026-04-28T07:23:44Z) - VLM2GeoVec: Toward Universal Multimodal Embeddings for Remote Sensing [59.73939718087177]
シングルエンコーダの視覚言語モデルは、統合ベクトル空間にインターリーブされた入力を埋め込むために対照的に訓練された。
VLM2GeoVecは、領域レベルの空間推論とスケーラブルな検索を統合し、リモートセンシングにおける凝集性多モード解析を可能にする。
論文 参考訳（メタデータ） (2025-12-12T11:39:35Z) - Lookahead Unmasking Elicits Accurate Decoding in Diffusion Language Models [51.12873073612084]
Masked Diffusion Models (MDM) は、反復的にトークンをアンマキングすることで生成される言語モデルであるが、その性能はアンマキングの推測時間順序に依存する。
提案するLookUM(LookUM)は,これらの問題に対処し,サンプリングを可能な全注文に対して経路選択として再構成する。
LookUMはピーク性能を達成するために2～3つの経路しか必要とせず、極めて効率的な経路選択を示す。
論文 参考訳（メタデータ） (2025-11-04T02:37:37Z) - Tree Reward-Aligned Search for TReASURe in Masked Diffusion Language Models [13.433506313486701]
ツリー検索は、生成モデルとタスク固有の報酬をテスト時に整合させる強力なフレームワークとして登場した。
これらの問題に対処する木探索テスト時間アライメント手法であるTReASUReを提案する。
TReASUReは、パープレキシティ、言語受容性、感情と毒性の制御に関する最先端の結果を達成する。
論文 参考訳（メタデータ） (2025-09-27T06:22:45Z) - Bridge Feature Matching and Cross-Modal Alignment with Mutual-filtering for Zero-shot Anomaly Detection [25.349261412750586]
本研究では,ZSAD 用 textbfFiSeCLIP とトレーニング不要 textbfCLIP を導入し,特徴マッチングとクロスモーダルアライメントを組み合わせた。
本手法は,異常検出ベンチマークにおいて,異常分類とセグメンテーションの両方において優れた性能を示す。
論文 参考訳（メタデータ） (2025-07-15T05:42:17Z) - Bridge the Points: Graph-based Few-shot Segment Anything Semantically [79.1519244940518]
プレトレーニング技術の最近の進歩により、視覚基礎モデルの能力が向上した。
最近の研究はSAMをFew-shot Semantic segmentation (FSS)に拡張している。
本稿では,グラフ解析に基づく簡易かつ効果的な手法を提案する。
論文 参考訳（メタデータ） (2024-10-09T15:02:28Z) - MaskInversion: Localized Embeddings via Optimization of Explainability Maps [49.50785637749757]
MaskInversionは、テスト時にマスクによって指定されたクエリ画像領域に対するコンテキスト認識の埋め込みを生成する。
オープン語彙のクラス検索、表現理解の参照、局所的なキャプションや画像生成など、幅広いタスクに使用することができる。
論文 参考訳（メタデータ） (2024-07-29T14:21:07Z) - SafaRi:Adaptive Sequence Transformer for Weakly Supervised Referring Expression Segmentation [11.243400478302771]
Referring Expression Consistency (RES) は、テキストによって参照される画像において、対象オブジェクトのセグメンテーションマスクを提供することを目的としている。
アルゴリズムの革新を取り入れたRESのための弱教師付きブートストラップアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-07-02T16:02:25Z) - Dynamic Focus-aware Positional Queries for Semantic Segmentation [94.6834904076914]
本稿では,動的焦点認識型位置情報クエリと呼ばれるセマンティックセグメンテーションのための,シンプルで効果的なクエリ設計を提案する。
我々のフレームワークはSOTAの性能を達成し、ResNet-50、Swin-T、Swin-Bのバックボーンによる1.1%、1.9%、および1.1%の単一スケールmIoUでMask2formerより優れています。
論文 参考訳（メタデータ） (2022-04-04T05:16:41Z)
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。