論文の概要: Slot-RAE: Streamlining Object-Centric Learning via Direct Representation Auto-Encoders
- arxiv url: http://arxiv.org/abs/2607.11196v1
- Date: Mon, 13 Jul 2026 07:47:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 17:47:21.367133
- Title: Slot-RAE: Streamlining Object-Centric Learning via Direct Representation Auto-Encoders
- Title（参考訳）: Slot-RAE: 直接表現型オートエンコーダによるオブジェクト中心学習の合理化
- Abstract要約: Slot-RAEは視覚基盤モデルの連続的な意味的特徴空間内で直接動作する。
VAEボトルネックやタスクに依存しない生成前トレーニングの必要性を排除します。
同等に教師なしのオブジェクト発見、高忠実度画像再構成、堅牢なゼロショット合成を提供する。
- 参考スコア（独自算出の注目度）: 44.055446967139424
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deploying object-centric models for real-world scene understanding typically requires complex pipelines to achieve both robust scene decomposition and high-fidelity generation. Recent diffusion-based approaches have improved visual quality, but they almost universally rely on heavy, pretrained generative priors (e.g., Stable Diffusion) and external VAE latent spaces. In this paper, we propose Slot-RAE, a much simpler, fully integrated framework that operates directly within the continuous semantic feature space of visual foundation models (e.g., DINOv3). Slot-RAE employs a feature-space diffusion process using a Diffusion Transformer (DiT) decoder and a Representation Alignment (REPA) head. Unlike existing diffusion-based objectcentric methods that rely heavily on subsidized text-toimage priors, the generative core of Slot-RAE (Slot Attention and the DiT) is trained from scratch within the frozen VFM feature space. This eliminates the need for VAE bottlenecks and task-agnostic generative pre-training. Experiments on the COCO dataset demonstrate that despite its architectural simplicity, Slot-RAE achieves state-of-the-art results. It delivers comparable unsupervised object discovery, higher-fidelity image reconstruction, and robust zero-shot compositionality, all while being significantly faster and more computationally efficient than existing object-centric latent diffusion models.
- Abstract（参考訳）: 現実のシーン理解のためにオブジェクト中心のモデルをデプロイするには、多くの場合、堅牢なシーン分解と高忠実度生成の両方を達成するために複雑なパイプラインが必要です。
最近の拡散に基づくアプローチは視覚的品質を改善しているが、それらはほとんど普遍的に重く、事前訓練された生成前(例えば、安定拡散)と外的VOE潜伏空間に依存している。
本稿では,視覚基盤モデルの連続的意味的特徴空間(例えばDINOv3)内で直接動作する,よりシンプルで完全に統合されたフレームワークであるSlot-RAEを提案する。
Slot-RAEは拡散変換器(DiT)デコーダとRepresentation Alignment(REPA)ヘッドを用いた特徴空間拡散プロセスを採用している。
Slot-RAE (Slot Attention and the DiT) の生成コアは, 凍結したVFM特徴空間内でゼロから訓練される。
これにより、VAEボトルネックやタスクに依存しない生成前トレーニングが不要になる。
COCOデータセットの実験では、アーキテクチャの単純さにもかかわらず、Slot-RAEは最先端の結果を達成している。
既存のオブジェクト中心の潜在拡散モデルよりもはるかに高速で計算効率が良いが、それと同等の教師なしのオブジェクト発見、高忠実な画像再構成、堅牢なゼロショット合成性を提供する。
関連論文リスト
- SphereVAD: Training-Free Video Anomaly Detection via Geodesic Inference on the Unit Hypersphere [90.85001795656633]
ビデオ異常検出(VAD)は、トリミングされていない監視ビデオの通常のパターンから逸脱するイベントを自動的に識別することを目的としている。
SphereVADはトレーニング不要でゼロショットのVADフレームワークで、単位超球面上の準比測地線推定をvon Mises-Fisher (vMF) と再放送する。
論文 参考訳（メタデータ） (2026-05-08T16:57:38Z) - DINO-SAE: DINO Spherical Autoencoder for High-Fidelity Image Reconstruction and Generation [47.409626500688866]
本稿では,DINO Spherical Autoencoder(DINO-SAE)について述べる。
提案手法は, 既修のVFMと強いセマンティックアライメントを維持しつつ, 0.37 rFID と 26.2 dB PSNR に到達し, 最先端の再現性を実現する。
論文 参考訳（メタデータ） (2026-01-30T12:25:34Z) - Scaling Text-to-Image Diffusion Transformers with Representation Autoencoders [74.72147962028265]
表現オートエンコーダ(RAE)は、ImageNet上で拡散モデリングにおいて明確な利点を示している。
本稿では,このフレームワークが大規模でフリーフォームなテキスト・ツー・イメージ(T2I)生成に拡張できるかどうかを検討する。
論文 参考訳（メタデータ） (2026-01-22T18:58:16Z) - REGLUE Your Latents with Global and Local Semantics for Entangled Diffusion [11.138412313646995]
本稿では,統合潜在拡散フレームワークREGLUEを紹介する。
軽量な畳み込み意味論は、多層VFM特徴を低次元空間構造表現に集約する。
ImageNet 256x256では、REGLUEは一貫して、REPA、ReDi、REGと同様に、SiT-B/2およびSiT-XL/2ベースラインのFIDと収束を改善している。
論文 参考訳（メタデータ） (2025-12-18T15:10:42Z) - Latent Diffusion Model without Variational Autoencoder [78.34722551463223]
SVGは視覚生成のための変分オートエンコーダを持たない新しい潜伏拡散モデルである。
凍結したDINO機能を利用して、明確な意味的識別性を持つ特徴空間を構築する。
迅速な拡散訓練を可能にし、数ステップのサンプリングをサポートし、生成品質を向上させる。
論文 参考訳（メタデータ） (2025-10-17T04:17:44Z) - EchoGen: Generating Visual Echoes in Any Scene via Feed-Forward Subject-Driven Auto-Regressive Model [56.53617289548353]
EchoGenは、主観駆動生成機能を備えたVisual Auto-Regressive(VAR)モデルを強化する先駆的なフレームワークである。
対象の抽象的アイデンティティを抽出するためにセマンティックエンコーダを用いており、このエンコーダは分離されたクロスアテンションを通して注入され、全体の構成を導出する。
私たちの知る限りでは、EchoGenはVARモデル上に構築された最初のフィードフォワードの主観駆動フレームワークです。
論文 参考訳（メタデータ） (2025-09-30T11:45:48Z) - Kernel Space Diffusion Model for Efficient Remote Sensing Pansharpening [8.756657890124766]
Kernel Space Diffusion Model (KSDiff)は、グローバルな文脈情報に富んだ畳み込みカーネルを生成するために、潜在空間における拡散プロセスを活用する新しいアプローチである。
WorldView-3、GaoFen-2、QuickBirdを含む広く使われている3つのデータセットの実験では、KSDiffの質的かつ定量的に優れた性能が示されている。
論文 参考訳（メタデータ） (2025-05-25T06:25:31Z) - Object-Centric Slot Diffusion [30.722428924152382]
本稿では,2つの目的を果たす新しいモデルであるLatent Slot Diffusion(LSD)を紹介する。
我々はLSDが最先端のトランスフォーマーベースのデコーダよりも大幅に優れていることを示した。
また,LSDにおける事前学習拡散モデルの統合について予備的検討を行った。
論文 参考訳（メタデータ） (2023-03-20T02:40:16Z) - Momentum Contrastive Autoencoder: Using Contrastive Learning for Latent
Space Distribution Matching in WAE [51.09507030387935]
Wasserstein autoencoder (WAE) は、2つの分布が一致することは、このAEの潜在空間が予め指定された事前分布と一致するという制約の下で、単純なオートエンコーダ(AE)損失を最小限にすることと同値であることを示している。
本稿では,この問題を解決する手段として,自己指導型表現学習に有効であることを示すコントラスト学習フレームワークを提案する。
WAEの損失を最適化するために、対照的な学習フレームワークを使用することで、WAEの一般的なアルゴリズムと比較して、より高速に収束し、より安定した最適化が達成できることを示す。
論文 参考訳（メタデータ） (2021-10-19T22:55:47Z)
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。