論文の概要: Beyond Unfolding: 60x Faster One-Stage Unmixing for Closely-Spaced Infrared Small Targets

• arxiv url: http://arxiv.org/abs/2607.16007v1
• Date: Fri, 17 Jul 2026 14:42:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.875484
• Title: Beyond Unfolding: 60x Faster One-Stage Unmixing for Closely-Spaced Infrared Small Targets
• Title（参考訳）: 60倍高速な1段アンミキシングによる近距離赤外線小ターゲット
• Abstract要約: 近距離赤外小ターゲット(CSIST)は一般的にエネルギーの重なりを見せ、赤外線画像では識別不能なブロブとして現れる。 この曖昧さは、従来の検出の1対1のマッピング仮定を無効にする。 深層展開が不要であることを示す一段軽量パラダイムを提案する。
• 参考スコア（独自算出の注目度）: 43.71958109614362
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to the optical diffraction limit and long imaging distances, Closely-Spaced Infrared Small Targets (CSIST) typically exhibit energy overlap, manifesting as indistinguishable blobs in infrared images. This ambiguity invalidates the one-to-one mapping assumption of traditional detection, thereby necessitating a paradigm shift towards CSIST Unmixing, which decomposes these blobs into discrete sub-targets. However, the dominant paradigm deep unfolding networks are shackled by the high latency and structural inflexibility intrinsic to their repetitively iterative architecture. To this end, we propose the Fast One-stage CSIST Unmixing Scheme (FOCUS), a one-stage lightweight paradigm which demonstrates that deep unfolding is not necessary. Motivated by the key observation that image super-resolution (SR) and CSIST Unmixing share an isomorphic degradation model, our insight is that it is possible to achieve a paradigm shift from image SR to CSIST Unmixing via completely transforming the label space, loss functions, and evaluation criteria. Specifically, to avoid entangling geometric recovery with artifact suppression, FOCUS adopts a single pass mapping with an internal coarse-to-fine flow that progressively refines target localization from coarse spatial distributions to finer sub-pixel precision. While sparsity regularization suppresses background clutter, it also attenuates target intensities. To compensate for this attenuation of valid signals, flux conservation is introduced as a competing constraint that restores signal energy back to target centers. To the best of our knowledge, this work is the first attempt to address this task via a lightweight one-stage framework without the DUN paradigm. Experiments demonstrate that our method matches or surpasses the state-of-the-art unfolding approaches in both localization and unmixing accuracy, while boosting the inference speed by 60x.
• Abstract（参考訳）: 光学回折限界と長い撮像距離のため、近距離赤外線小ターゲット(CSIST)は通常エネルギーの重なりを示し、赤外線画像では区別がつかないブロブとして現れる。 この曖昧さは、従来の検出の1対1のマッピング仮定を無効にするため、CSIST Unmixingへのパラダイムシフトを必要とし、これらのブロブを個別のサブターゲットに分解する。 しかし、支配的なパラダイムである深層展開ネットワークは、繰り返し反復的なアーキテクチャに固有の、高いレイテンシと構造的非フレキシビリティによって混乱している。 そこで本研究では,Fast One-stage CSIST Unmixing Scheme (FOCUS)を提案する。 画像超解像(SR)とCSIST Unmixing(CSIST Unmixing)が同型劣化モデルを共有している鍵となる観察から得られた知見は、ラベル空間、損失関数、評価基準を完全に変換することで、画像SRからCSIST Unmixingへのパラダイムシフトを達成できることである。 具体的には, 粗い空間分布からより微細なサブピクセル精度まで, 対象の局所化を段階的に洗練する内部粗い微細な流れを伴う単一パスマッピングを採用する。 スパーシティ規則化は背景乱れを抑制するが、ターゲット強度を減衰させる。 有効信号の減衰を補うため、フラックス保存は信号エネルギーを目標中心に戻す競合する制約として導入される。 我々の知る限りでは、この作業はDUNパラダイムなしで軽量なワンステージフレームワークを通じてこの問題に対処する最初の試みである。 実験により, 推定速度を60倍に向上させながら, 局所化と非混合精度の両面において, 最先端の展開手法と一致するか, あるいは超越することを示す。

関連論文リスト

• LCPNet: Latent Consistent Proximal Unfolding Network for Infrared Small Target Detection [50.3892176822492]
  赤外線小目標検出(IRSTD)は、複雑な赤外背景から長距離小目標を特定することを目的としている。 深層学習法は、識別的画像-マスクマッピングを学習することでIRSTDを改善した。 深層展開法は、モデル駆動イテレーションをニューラルネットワークに埋め込むことによって、この問題に部分的に対処する。 これらの制約に対処するために,Latent Consistent Proximal Unfolding Network (LCPNet)を提案する。
  論文  参考訳（メタデータ） (2026-07-06T02:15:09Z)
• Where to Refine, When to Stop: Rethinking Redundancy via Latent Discrepancy for Efficient Visual Autoregressive Generation [50.139984798361375]
  遅延不一致による冗長性を除去する学習自由フレームワークを提案する。 LD-Pruningは、Infinity-8Bの最大2.35倍のスピードアップを実現し、高い生成品質を維持しながら推論を大幅に削減する。
  論文  参考訳（メタデータ） (2026-05-29T19:34:39Z)
• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• Coloring the Noise: Adversarial Sobolev Alignment for Faithful Image Super Resolution [43.65326076389854]
  Image Super-Resolutionの創発的な先駆者は、しばしば忠実な修復を妥協する。 生成フローをソボレフ型幾何学に再キャストするフレームワークであるASASRを提案する。 ASASRは、スペクトルの一貫性と構造的忠実性を維持する上で、先進的な生成ベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-22T06:06:51Z)
• Exploring the Limits of End-to-End Feature-Affinity Propagation for Single-Point Supervised Infrared Small Target Detection [6.7126559398433665]
  単一点制御赤外線小ターゲット検出(IRSTD)は、高密度アノテーションのコストを大幅に削減する。 現在のSOTA(State-of-the-art)手法は、マスクの監督を明示的でオフラインな擬似ラベル構成によって回収することにより、高精度を実現する。 最小限の代替策として、オンラインのポイント・ツー・マスク・イン・バッチ、ポイント・アンカレド・フィーチャー・アフィニティ・プロパゲーションを通じて、ポイント・ツー・マスクをオンラインに生成する手法について検討する。
  論文  参考訳（メタデータ） (2026-05-01T15:08:46Z)
• Better with Less: Tackling Heterogeneous Multi-Modal Image Joint Pretraining via Conditioned and Degraded Masked Autoencoder [34.73963627819185]
  高分解能光合成開口レーダ(SAR)プレトレーニングは、単一ソース表現を相互に強化するために、モダリティの相乗効果を求める。 我々は、アライメントの少ないテキスト・ベッター・シナジーの先駆者であるCoDe-MAEを提案する。 CoDe-MAEは、表現の劣化を防ぎ、多様な単一および双方向の下流タスクにまたがる新しい最先端のパフォーマンスを確立する。
  論文  参考訳（メタデータ） (2026-04-18T10:23:00Z)
• Revisiting the Perception-Distortion Trade-off with Spatial-Semantic Guided Super-Resolution [25.911279124430944]
  SpaSemSRは2つの補完的なガイダンスを持つ空間意味誘導拡散フレームワークである。 第一に、空間的接地されたテキストガイダンスは、オブジェクトレベルの空間的手がかりを意味的なプロンプトと統合し、テキスト構造と視覚構造を整列させて歪みを低減する。 第二に、マルチエンコーダ設計とセマンティック劣化制約によるセマンティックエンハンスドビジュアルガイダンスは、多モーダルなセマンティック事前を統一し、重度劣化下での知覚リアリズムを改善する。
  論文  参考訳（メタデータ） (2026-03-14T20:41:27Z)
• Rotation Equivariant Arbitrary-scale Image Super-Resolution [62.41329042683779]
  任意のスケールの超解像(ASISR)は、低解像度の入力画像から任意のスケールの高分解能回復を実現することを目的としている。 本研究では, 回転同変ASISR法の構築に尽力する。
  論文  参考訳（メタデータ） (2025-08-07T08:51:03Z)
• FUSE: Label-Free Image-Event Joint Monocular Depth Estimation via Frequency-Decoupled Alignment and Degradation-Robust Fusion [92.4205087439928]
  画像強調共同深度推定法は、頑健な知覚に相補的なモダリティを利用するが、一般化可能性の課題に直面している。 自己監督型転送(PST)と周波数デカップリング型フュージョンモジュール(FreDF)を提案する。 PSTは、画像基盤モデルとの遅延空間アライメントによるクロスモーダルな知識伝達を確立し、データ不足を効果的に軽減する。 FreDFは、低周波構造成分から高周波エッジ特性を明示的に分離し、モード比周波数ミスマッチを解消する。 この組み合わせのアプローチにより、FUSEはターゲットデータセットに対する軽量デコーダ適応のみを必要とするユニバーサルなイメージイベントを構築することができる。
  論文  参考訳（メタデータ） (2025-03-25T15:04:53Z)

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。