論文の概要: REBASE: Reference-Background Subspace Elimination for Training-Free In-Context Segmentation

• arxiv url: http://arxiv.org/abs/2607.09082v1
• Date: Fri, 10 Jul 2026 04:01:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-13 14:47:12.777168
• Title: REBASE: Reference-Background Subspace Elimination for Training-Free In-Context Segmentation
• Title（参考訳）: REBASE: トレーニング不要なインコンテキストセグメンテーションのための基準背景部分空間除去
• Abstract要約: 本稿では,突発的な文脈対応を明示的に抑制する学習自由フレームワークREBASEを提案する。 提案手法は,参照画像から低ランクの背景特徴部分空間を識別し,参照特徴とクエリ特徴をその補体にクローズド形式で投影する。 次に, 類似度重み付き遠点サンプリングを用いて正の点プロンプトを生成する。
• 参考スコア（独自算出の注目度）: 1.371509966893897
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Training-free in-context segmentation enables new object categories to be introduced at inference time from a single annotated reference image, eliminating the retraining and memory overhead of class-incremental learning. Recent approaches achieve this by combining vision foundation models for semantic correspondence with promptable segmentation networks like SAM. However, their performance is fundamentally limited by the quality of the cross-image similarity map; shared contextual backgrounds between the reference and query systematically elevate similarity in non-target regions, degrading prompt localization. We present REBASE, a training-free framework that explicitly suppresses these spurious contextual correspondences. Our method identifies the low-rank background feature subspace from the reference image and project the reference and query features onto its orthogonal complement in closed form, yielding cleaner semantic matching. We then generate positive point prompts using similarity-weighted farthest-point sampling, paired with a refined dense similarity prior. Without any training or parameter updates, our approach establishes a new state of the art among training-free methods on PACO-Part, FSS-1000, and cross-domain datasets such as ISIC2018, demonstrating that explicit background subspace removal is a highly effective principle for one-shot localization.
• Abstract（参考訳）: トレーニング不要なインコンテキストセグメンテーションにより、単一の注釈付き参照画像から推論時に新しいオブジェクトカテゴリを導入することができ、クラス増分学習の再トレーニングとメモリオーバーヘッドを排除できる。 近年のアプローチでは、意味対応のための視覚基盤モデルとSAMのような素早いセグメンテーションネットワークを組み合わせることで実現されている。 しかし、それらの性能は、クロスイメージの類似性マップの品質によって基本的に制限されており、参照とクエリ間のコンテキスト背景の共有は、非ターゲット領域における類似性を体系的に高め、迅速なローカライゼーションを低下させる。 本稿では,これらの素早い文脈対応を明示的に抑制する学習自由フレームワークREBASEを提案する。 提案手法は,参照画像から低ランクの背景特徴部分空間を識別し,その参照特徴とクエリ特徴をその直交補完体に投影することにより,よりクリーンな意味マッチングを実現する。 次に, 類似度重み付き遠点サンプリングを用いて正の点プロンプトを生成する。 PACO-Part, FSS-1000, ISIC2018などのクロスドメインデータセットでは, トレーニングやパラメータの更新を伴わずに, トレーニング不要な手法の新たな最先端性を確立し, 背景空間の明示的除去がワンショットローカライゼーションの極めて効果的な原理であることを実証した。

関連論文リスト

• Training-Free Entity-Level Few-Shot Segmentation of Remote Sensing Images with Advection Refinement [0.0]
  クロスドメインな小ショットセグメンテーションアプローチは、ソースドメインのエピソードトレーニングとピクセル単位の密度予測によって、高いトレーニングコストを被る。 対流微細化を伴うリモートセンシング画像のためのトレーニング不要なエンティティレベルスショットセグメンテーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-31T10:49:16Z)
• Learning a Semantic Calibration Network for Open-Vocabulary Semantic Segmentation [5.122331812021513]
  Open-Vocabulary (OVS) は、セグメンテーションタスクを固定集合から開集合に拡張する。 オープン語彙セマンティックセマンティックスセグメンテーションのための新しいセマンティックネットワーク(SCN)を提案する。 提案手法は,最先端のアルゴリズムと比較して,大幅な性能向上を実現している。
  論文  参考訳（メタデータ） (2026-06-06T06:42:03Z)
• RELO: Reinforcement Learning to Localize for Visual Object Tracking [70.27265738642956]
  視覚的物体追跡のためのReinforcement-learning-to-LOcalize法であるRELOを紹介する。 RELOは、手作りの空間先行を空間的位置から学習した局所化ポリシーに置き換える。 我々は、RELOがテンプレート更新なしでLaSOText上で57.5%のAUCを達成することを示す。
  論文  参考訳（メタデータ） (2026-05-08T07:34:29Z)
• RecBase: Generative Foundation Model Pretraining for Zero-Shot Recommendation [78.01030342481246]
  RecBaseは、レコメンデーション指向の目的によって事前訓練されたドメインに依存しない基礎モデルである。 アイテムを階層的な概念識別子にエンコードする統一されたアイテムトークンを導入します。 我々のモデルは、ゼロショットおよびクロスドメインレコメンデーションタスクにおいて、LLMのベースラインの最大7Bパラメータのパフォーマンスを一致または超過します。
  論文  参考訳（メタデータ） (2025-09-03T08:33:43Z)
• No time to train! Training-Free Reference-Based Instance Segmentation [15.061599989448867]
  本研究は,少数の参照画像のみを備える場合のオブジェクトセグメンテーションの課題について検討する。 我々の重要な洞察は、ファンデーションモデルによって学習された強力なセマンティック・プライドを活用して、参照とターゲット画像の間の対応する領域を特定することである。 対応によって、下流タスクのためのインスタンスレベルのセグメンテーションマスクの自動生成が可能になり、マルチステージのトレーニング不要な方法でアイデアをインスタンス化する。
  論文  参考訳（メタデータ） (2025-07-03T16:59:01Z)
• Semantic Prompt Learning for Weakly-Supervised Semantic Segmentation [33.336549577936196]
  Weakly-Supervised Semantic (WSSS) は、画像レベルの監督のみで画像データを用いてセグメンテーションモデルを訓練することを目的としている。 本稿では,CLIP潜伏空間を効果的に促進するためのWSSS(Semantic Prompt Learning for WSSS)フレームワークを提案する。 SemPLeSは、オブジェクトリージョンとクラスラベルのセマンティックアライメントを改善することができるため、セグメンテーションモデルをトレーニングするための擬似マスクが望ましい。
  論文  参考訳（メタデータ） (2024-01-22T09:41:05Z)
• Advancing Incremental Few-shot Semantic Segmentation via Semantic-guided Relation Alignment and Adaptation [98.51938442785179]
  増分的な数ショットセマンティックセマンティックセマンティクスは、セマンティクスセマンティクスモデルを新しいクラスに漸進的に拡張することを目的としている。 このタスクは、データ不均衡のため、ベースクラスと新しいクラスの間で深刻な意味認識の問題に直面します。 本稿では,従来の意味情報のガイダンスを完全に考慮した意味誘導型関係調整適応法を提案する。
  論文  参考訳（メタデータ） (2023-05-18T10:40:52Z)
• ReCLIP: A Strong Zero-Shot Baseline for Referring Expression Comprehension [114.85628613911713]
  大規模事前学習モデルは領域間の画像分類に有用である。 ReCLIPは単純だが強力なゼロショットベースラインであり、ReCのための最先端の大規模モデルであるCLIPを再利用する。
  論文  参考訳（メタデータ） (2022-04-12T17:55:38Z)
• Anti-aliasing Semantic Reconstruction for Few-Shot Semantic Segmentation [66.85202434812942]
  セグメンテーションを意味的再構成問題として再検討する。 基本クラスの特徴を,新しいクラス再構築のためのクラスレベルのセマンティック空間にまたがる一連の基底ベクトルに変換する。 提案手法はアンチエイリアス・セマンティック・リストラクション (ASR) と呼ばれ, 数発の学習問題に対して, 体系的かつ解釈可能な解法を提供する。
  論文  参考訳（メタデータ） (2021-06-01T02:17:36Z)
• Context-self contrastive pretraining for crop type semantic segmentation [39.81074867563505]
  提案したContext-Self Contrastive Loss (CSCL)は、セマンティックバウンダリをポップアップさせる埋め込み空間を学習する。 衛星画像時系列(SITS)からの作物型セマンティックセマンティックセグメンテーションでは,サテライト境界における性能が重要なボトルネックとなる。 より粒度の高い作物のクラスを得るための超解像における意味的セグメンテーションのプロセスを提案する。
  論文  参考訳（メタデータ） (2021-04-09T11:29:44Z)
• Deep Semantic Matching with Foreground Detection and Cycle-Consistency [103.22976097225457]
  深層ネットワークに基づく弱い教師付きセマンティックマッチングに対処する。 本研究では,背景乱れの影響を抑えるために,前景領域を明示的に推定する。 複数の画像にまたがって予測変換を強制し、幾何的に可視かつ一貫したサイクル一貫性の損失を発生させる。
  論文  参考訳（メタデータ） (2020-03-31T22:38:09Z)

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。