論文の概要: Adaptive Latent Trajectory Anchoring for Action Segmentation Dataset Condensation

• arxiv url: http://arxiv.org/abs/2607.09081v1
• Date: Fri, 10 Jul 2026 04:00:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-13 14:47:12.776561
• Title: Adaptive Latent Trajectory Anchoring for Action Segmentation Dataset Condensation
• Title（参考訳）: アクションセグメンテーションデータセット凝縮のための適応潜在軌道アンコリング
• Authors: Artheme Gauthier-Villar, Guodong Ding, Angela Yao,
• Abstract要約: 本稿では,凝縮パラダイムを最適化に基づく逆転から決定論的潜在写像へシフトすることを提案する。 動作セグメントをノイズ多様体のスパース潜在点に固定された連続軌跡として表現する。 我々のフレームワークは,共通データセット間でのセグメンテーション性能において,最先端の手法を著しく上回っている。
• 参考スコア（独自算出の注目度）: 53.60856261088647
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dataset condensation for action segmentation synthesizes compact, informative representations of long, untrimmed video datasets. The existing approach relies on Variational Autoencoders and an iterative latent optimization; it is computationally expensive and suffers from over-smoothed reconstructions and rigid temporal constraints. This paper proposes to shift the condensation paradigm from optimization-based inversion to deterministic latent mapping. By leveraging Denoising Diffusion Implicit Models, we represent action segments as continuous trajectories anchored by sparse latent points in the noise manifold. To maximize representational efficiency, we introduce an adaptive allocation mechanism that dynamically redistributes the anchoring budget based on segment-wise reconstruction difficulty. Extensive experiments demonstrate that our framework significantly outperforms state-of-the-art methods in segmentation performance across common datasets. Notably, our approach achieves performance parity with real data training while maintaining a condensation ratio of 2.4\% on Breakfast dataset.
• Abstract（参考訳）: アクションセグメンテーションのためのデータセット凝縮は、長い、トリミングされていないビデオデータセットのコンパクトで情報的な表現を合成する。 既存の手法は変分オートエンコーダと反復潜時最適化に依存しており、計算コストが高く、過度にスムースな再構築と厳密な時間的制約に悩まされている。 本稿では,凝縮パラダイムを最適化に基づく逆転から決定論的潜在写像へシフトすることを提案する。 Denoising Diffusion Implicit Models を利用することで、ノイズ多様体内のスパース潜在点に固定された連続的な軌跡としてアクションセグメントを表現する。 表現効率を最大化するために,セグメントワイド再構成の難易度に基づいてアンカーの予算を動的に再分配する適応配置機構を導入する。 大規模な実験により、我々のフレームワークは共通のデータセット間でのセグメンテーション性能において最先端の手法を著しく上回っていることが示された。 特に,Breakfastデータセットの凝縮率2.4\%を維持しながら,実際のデータトレーニングと同等の性能を実現する。

関連論文リスト

• Jointly Learning Structured Representations and Stabilized Affinity for Human Motion Segmentation [7.350724521347576]
  HMS(Human Motion Clustering)は、動画を異なる人間の動きに対応する非重複セグメントに分割することを目的としている。 現実世界のビデオでは、生のフレームレベルの機能はUnionof-Subspacesの仮定に反し、不満足なセグメンテーション性能をもたらすことが多い。 本稿では,時間的に一貫した構造的表現と,正確かつ堅牢なHMSとの親和性を共同で学習する時間的自己表現型サブスペースクラスタリング(TDSC)を提案する。
  論文  参考訳（メタデータ） (2026-05-07T06:48:53Z)
• Interlaced dynamic XCT reconstruction with spatio-temporal implicit neural representations [0.0]
  Inmplicit Neural Representations を用いた動的X線CT(Dynamic X-ray Computed Tomography)再構成の検討を行った。 提案手法は,ADMMに基づく最適化と,事前知識を組み込んだ条件付けフレームワークINCODEを組み合わせることで,効率的な収束を実現する。 全ての設定において、我々のモデルは強力なパフォーマンスのロバスト性を実現し、最先端のモデルベース反復法であるTIMBIR(Time-Inter Model-Based Iter Reconstruction)より優れている。
  論文  参考訳（メタデータ） (2025-10-09T01:33:58Z)
• Fully Spiking Neural Networks for Unified Frame-Event Object Tracking [17.626181371045575]
  我々は、SpikeFETと呼ばれる、最初の完全なSpyking Frame-Event Trackingフレームワークを提案する。 このネットワークは、進化的局所特徴抽出とトランスフォーマーに基づくグローバルモデリングをスパイキングパラダイム内で相乗的に統合する。 提案手法は既存の手法よりも優れたトラッキング精度を実現し,消費電力を大幅に削減できることを示す。
  論文  参考訳（メタデータ） (2025-05-27T07:53:50Z)
• Condensing Action Segmentation Datasets via Generative Network Inversion [37.78120420622088]
  本研究は、時間的アクションセグメンテーションに使用される手続き的ビデオデータセットに対する最初の凝縮アプローチを示す。 本稿では,データセットとネットワークのインバージョンから得られた生成的事前学習を利用して,データをコンパクトな潜在コードに変換する凝縮フレームワークを提案する。 標準ベンチマークによる評価は,TASデータセットの凝縮と競合性能の達成に一貫した有効性を示す。
  論文  参考訳（メタデータ） (2025-03-18T10:29:47Z)
• Hierarchical Features Matter: A Deep Exploration of Progressive Parameterization Method for Dataset Distillation [44.03611131165989]
  階層型生成蒸留(H-PD)と呼ばれる新しい生成パラメータ化法を提案する。 提案したH-PDは、等価な時間消費で様々な設定で大幅な性能向上を実現している。 IPC=1, IPC=10の超過圧縮比下での拡散モデルを用いて, 現在の再生蒸留を超越している。
  論文  参考訳（メタデータ） (2024-06-09T09:15:54Z)
• Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
  GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。 本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-22T15:32:59Z)
• Diffusion Action Segmentation [63.061058214427085]
  本稿では,このような反復的洗練の本質的な精神を共用した拡散モデルによる新しい枠組みを提案する。 このフレームワークでは、入力された映像の特徴を条件としてランダムノイズから行動予測を反復的に生成する。
  論文  参考訳（メタデータ） (2023-03-31T10:53:24Z)
• Hierarchical regularization networks for sparsification based learning on noisy datasets [0.0]
  階層は、連続的により微細なスケールで特定される近似空間から従う。 各スケールでのモデル一般化を促進するため,複数次元にわたる新規な射影型ペナルティ演算子も導入する。 その結果、合成データセットと実データセットの両方において、データ削減およびモデリング戦略としてのアプローチの性能が示された。
  論文  参考訳（メタデータ） (2020-06-09T18:32:24Z)

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。