論文の概要: Frequency-Structured Field Learning for Light-Field Disparity Estimation

• arxiv url: http://arxiv.org/abs/2607.14941v1
• Date: Thu, 16 Jul 2026 12:52:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.099092
• Title: Frequency-Structured Field Learning for Light-Field Disparity Estimation
• Title（参考訳）: 光場差分推定のための周波数変動場学習
• Abstract要約: FreqLF は、水平および垂直の EPI スタックから角視差キューをエンコードする EPI 誘導フレームワークである。 FreqLFは、大域的および局所的に更新されたEPI由来の潜在機能との相違を、相違ボリュームを明示的に構成することなく予測する。
• 参考スコア（独自算出の注目度）: 0.6670645305769822
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Light-field disparity estimation requires global consistency in smooth or textureless regions and local precision near occlusion boundaries, thin structures, and abrupt depth transitions. Existing methods address these requirements through EPI matching, cost-volume or focal-stack construction, view aggregation, or direct convolutional regression, often relying on local windows, discrete disparity hypotheses, memory-intensive volumes, or attention-based aggregation. We instead formulate disparity estimation at the field level, predicting disparity from globally and locally updated EPI-derived latent features without explicitly constructing a disparity volume. We introduce FreqLF, an EPI-guided Fourier-local framework that encodes angular parallax cues from horizontal and vertical EPI stacks together with central-view appearance features. These cues are projected into a latent field and updated through stacked hybrid Fourier-local layers. Fourier low-mode updates enable global feature interaction, while local convolutions preserve spatial variations needed for fine disparity detail. A coordinate-conditioned Gaussian-mixture decoder then predicts disparity, using the mixture mean as the final estimate. Experiments on the HCI 4D Light Field Benchmark show that FreqLF approaches the accuracy of strong supervised baselines while avoiding explicit cost-volume construction in the base model. Ablations confirm the complementary roles of the Fourier and local branches, and scaling experiments demonstrate practical behavior across spatial resolutions. These results suggest that Fourier-local latent field learning is a competitive alternative for light-field disparity estimation. The code will be published soon.
• Abstract（参考訳）: 光場不均一度推定には、滑らかまたはテクスチャのない領域における大域的な一貫性と、閉塞境界付近の局所的精度、細い構造、急激な深さ遷移が必要である。 既存の方法は、EPIマッチング、コストボリューム、フォーカススタックの構築、ビューアグリゲーション、あるいは直接畳み込みレグレッションを通じてこれらの要件に対処し、しばしばローカルウィンドウ、離散異性仮説、メモリ集約ボリューム、アテンションベースのアグリゲーションに依存する。 代わりに、フィールドレベルでの差分推定を定式化し、大域的および局所的に更新された EPI 由来の潜時的特徴との差分を、比例容積を明示的に構成することなく予測する。 本稿では,水平および垂直の EPI スタックから角視差キューをエンコードする EPI 誘導フーリエ局所フレームワーク FreqLF を紹介する。 これらのキューは潜在フィールドに投影され、スタック化されたハイブリッドなFourierローカルレイヤを通じて更新される。 フーリエ低モード更新は、グローバルな機能相互作用を可能にし、局所的な畳み込みは、細かな不均一性の詳細に必要な空間的変動を保存する。 座標条件付きガウス混合復号器は、混合平均を最終的な推定値として、不均一性を予測する。 HCI 4D Light Field Benchmarkの実験は、FreqLFがベースモデルにおける明示的なコストボリューム構成を避けながら、強い教師付きベースラインの精度にアプローチしていることを示している。 アブレーションはフーリエ分枝と局所分枝の相補的な役割を証明し、スケーリング実験は空間分解における実践的な振る舞いを実証する。 これらの結果は、フーリエ局所潜在場学習が光場不均一性推定の競合的な選択肢であることを示している。 コードはまもなく公開される予定だ。

関連論文リスト

• Sheaf-Based Federated Representation Learning [11.430396441085579]
  SFRL(Sheaf-based Federated Representation Learning) 我々は、局所モデルの勾配更新とエッジワイド制約マップの閉形式Procrustes更新を交互に行う、SFRL(Sheaf-FRL)と呼ばれる分散アルゴリズムを開発した。 応用として,セマンティックコミュニケーションの文脈における協調的な分類課題を考える。
  論文  参考訳（メタデータ） (2026-08-08T16:38:34Z)
• FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry [52.232826445242644]
  FoundationGeoは空間キャリブレーションと原則データ設計による相対的および計量的予測を橋渡しする。 ステージ1は DINOv3 で初期化することで高忠実なアフィン不変幾何モデルを学ぶ。 ステージ2は、メートル法推定のためのピクセルワイドキャリブレーションフィールドを導入することで、グローバルなスケーリングを越えている。
  論文  参考訳（メタデータ） (2026-07-13T14:10:01Z)
• Wavelet Phase Diffusion for Structurally and Semantically Consistent Sim-to-Real Translation [8.622300381959768]
  シミュレーションから現実への変換は、合成ドメインと実際のドメインの間の外観ギャップを橋渡ししなければならない。 本稿では,大域スペクトル干渉を伴わない空間適応位相注入を実現するウェーブレット位相拡散法を提案する。 我々の手法は、競争的な構造的アライメントを維持しながら、リアリズムとセマンティック一貫性の先行手法より優れている。
  論文  参考訳（メタデータ） (2026-07-08T13:30:26Z)
• When Do Local Score Models Extrapolate Across Size? A Diagnostic Theory and Benchmark [0.0]
  アーキテクチャの局所性だけでは、安定したサイズ外挿が保証されないことを示す。 我々はこの機構を定式化し、局所限界に対する大きさと一様の比較定理を証明した。 実験により,空間混合,平滑なスコア準局所性,およびモデル受容場間の相互作用を検証する。
  論文  参考訳（メタデータ） (2026-06-08T16:24:31Z)
• U-HNO: A U-shaped Hybrid Neural Operator with Sparse-Point Adaptive Routing for Non-stationary PDE Dynamics [7.23685260715089]
  中心設計はスパースポイント適応ルーティング(SPAR)であるU字型ハイブリッドニューラル演算子U-HNOを提案する。 SPARは階層的なエンコーダ・ブートネック・デコーダのバックボーンに埋め込まれており、スキップ接続により両分岐とゲートが全ての解像度で動作する。 U-HNOは、相対的なL2とH1メトリクスの両方のタスクの大多数において、最先端のロールアウト精度を達成する。
  論文  参考訳（メタデータ） (2026-05-13T04:00:43Z)
• Faster 3D Gaussian Splatting Convergence via Structure-Aware Densification [52.517763621139956]
  3Dガウススプラッティングは、リアルタイムのノベルビュー合成のための強力なシーン表現として登場した。 標準適応密度制御は画面空間の位置勾配に依存する。 本稿では,3次元ガウススプラッティングのための構造認識型密度化フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-30T15:37:20Z)
• ViCrop-Det: Spatial Attention Entropy Guided Cropping for Training-Free Small-Object Detection [6.1221124436192875]
  ViCrop-Detは、適応的な空間信頼領域収縮を導入する、トレーニング不要な推論フレームワークである。 RT-DETR-R50 と Deformable DETR に +1-3 mAP@50 を連続的に追加し,20-23% の遅延オーバヘッドを有することを示す。 計算マッチング設定下では、適応的ルーティング戦略は、一様スライシングベースラインを包括的に超越し、高度に最適化された精度-速度トレードオフを実現する。
  論文  参考訳（メタデータ） (2026-04-29T15:35:03Z)
• UAGLNet: Uncertainty-Aggregated Global-Local Fusion Network with Cooperative CNN-Transformer for Building Extraction [83.48950950780554]
  リモートセンシング画像からの抽出は、複雑な構造変化のために難しい課題である。 既存の方法は、セグメンテーションモデルにおけるマルチスケール特徴をキャプチャするために、畳み込みブロックまたは自己アテンションブロックを使用する。 高品質なグローバルローカルなビジュアルセマンティクスを活用するために,不確実性集約型グローバルローカルフュージョンネットワーク(UAGLNet)を提案する。
  論文  参考訳（メタデータ） (2025-12-15T02:59:16Z)
• Fourier-RWKV: A Multi-State Perception Network for Efficient Image Dehazing [26.57698394898644]
  マルチステート・パーセプション・パラダイムに基づく新しい脱ハージング・フレームワークを提案する。 Fourier-RWKVはさまざまなヘイズシナリオにまたがって最先端のパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2025-12-09T01:35:56Z)
• Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
  分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。 非滑らかな正規化はしばしば機械学習タスクに組み込まれる。 本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-17T08:32:25Z)
• Stragglers-Aware Low-Latency Synchronous Federated Learning via Layer-Wise Model Updates [71.81037644563217]
  同期フェデレーションラーニング(FL)は、協調エッジラーニングの一般的なパラダイムである。 一部のデバイスは計算資源が限られており、様々な可用性があるため、FLレイテンシはストラグラーに非常に敏感である。 本稿では,NNの最適化手法をバックプロパゲーションにより活用し,グローバルモデルを階層的に更新するストラグラー対応層対応学習(SALF)を提案する。
  論文  参考訳（メタデータ） (2024-03-27T09:14:36Z)
• Fourier Test-time Adaptation with Multi-level Consistency for Robust Classification [10.291631977766672]
  本稿では,Fourier Test-Time Adaptation (FTTA) と呼ばれる新しい手法を提案する。 FTTAは、予測の自己監督を行うために、ペア入力の信頼性の高い多レベル整合性測定を構築する。 異なる形態と器官を持つ3つの大きな分類データセットで広範囲に検証された。
  論文  参考訳（メタデータ） (2023-06-05T02:29:38Z)
• FedSpeed: Larger Local Interval, Less Communication Round, and Higher Generalization Accuracy [84.45004766136663]
  フェデレートラーニング(Federated Learning)は、分散機械学習フレームワークである。 これは、局所的不整合最適と局所的過度な適合による頑丈なクライアントドリフトによってもたらされる非消滅バイアスに悩まされる。 本稿では,これらの問題による負の影響を軽減するために,新しい実用的手法であるFedSpeedを提案する。
  論文  参考訳（メタデータ） (2023-02-21T03:55:29Z)

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。