論文の概要: DARA: Degradation-Aware Low-Rank Residual Adaptation with Original-to-Corrupted Distillation for Corruption-Robust Animal Re-Identification

• arxiv url: http://arxiv.org/abs/2607.16644v1
• Date: Sat, 18 Jul 2026 05:25:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.216749
• Title: DARA: Degradation-Aware Low-Rank Residual Adaptation with Original-to-Corrupted Distillation for Corruption-Robust Animal Re-Identification
• Title（参考訳）: DARA:破壊・破壊・動物再同定のためのオリジナル-焼成蒸留による低比重残基適応
• Abstract要約: 入力条件付き特徴空間修復法として汚損動物Re-IDについて検討した。 本稿では,コンパクトなRe-IDモデルのための軽量なリファインメントであるDARAを紹介する。 DarAは微調整されたバックボーンを凍結し、ルートされた低ランクの残留専門家を学び、劣化したインプットの埋め込みに適応する。
• 参考スコア（独自算出の注目度）: 0.42970700836450487
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Animal re-identification (Re-ID) relies on fine-grained identity cues that can be disrupted by blur, noise, compression, and other visual degradations. Existing robustness strategies based on degradation-augmented training or pixel-level restoration improve robustness indirectly, but do not explicitly repair shifts in the identity retrieval space. We study corruption-robust animal Re-ID as input-conditioned feature-space repair and introduce DARA, a lightweight retrofit for compact Re-ID models. DARA freezes the fine-tuned backbone and learns routed low-rank residual experts to adapt degraded-input embeddings without corruption-type annotations. To stabilize this adaptive repair, original-to-corrupted distillation uses an original-image teacher to preserve individual embeddings and retrieval relations. Experiments on ATRW, FriesianCattle2017, MPDD, and SeaStarReID2023 show that DARA improves corrupted-query retrieval over standard and augmentation-based fine-tuning, generalizes to unseen corruptions and cross-domain evaluation, and recovers 77.0% of the corrupted-query mAP gap to full corrupted fine-tuning while adding only 0.49% parameters and 0.05% FLOPs.
• Abstract（参考訳）: 動物再識別(Re-ID)は、ぼやけ、ノイズ、圧縮、その他の視覚的劣化によって破壊される、きめ細かい識別方法に依存している。 劣化強化トレーニングや画素レベルの復元に基づく既存のロバストネス戦略は、間接的にロバストネスを改善するが、ID検索空間におけるシフトを明示的に修復することはない。 入力条件付き特徴空間修復として汚損動物Re-IDについて検討し,コンパクトなRe-IDモデルのための軽量リファインダーであるDARAを紹介した。 DARAは微調整されたバックボーンを凍結し、ルートされた低ランクの残留専門家を学び、汚職型アノテーションなしで劣化したインプットの埋め込みを適応させる。 この適応的な修復を安定させるために、原型から腐敗した蒸留は、個別の埋め込みと検索関係を維持するために原型イメージの教師を用いている。 ATRW、FriesianCattle2017、MPDD、SeaStarReID2023の実験では、DARAは標準および拡張ベースの微調整よりも破損したクエリ検索を改善し、目に見えない腐敗とクロスドメイン評価に一般化し、完全に破損したmAPギャップの77.0%を回復し、パラメータは0.49%、FLOPは0.05%に留まった。

関連論文リスト

• Restore What Matters: Lessons from Joint Restoration and Recognition [72.91692240810536]
  認識パイプラインは通常、再認識ワークフローを採用するが、数十年の経験から、視覚的に満足な画像を生成することは、認識を改善するためにめったにないことを示している。 下流のタスクが本当に必要とするものだけを復元し、タスク信号がどこで、どのくらい、そして、修復が必要なのかを判断する。 我々は、より良い外観のイメージは必要でも十分でもないと結論付け、復元モジュールはタスク駆動で、選択的で、物理的に認識されなければならない。
  論文  参考訳（メタデータ） (2026-09-12T08:08:08Z)
• Beyond Distortion Robustness: Rethinking Severe Cropping as Erasure-Resilient Message Embedding [6.7401381223686725]
  本稿では,CRESTという概念実証フレームワークについて述べる。 CRESTは、コンパクトQRメッセージを冗長な空間ペイロードに拡張することで、コーディング理論の冗長性とニューラル埋め込みとリカバリを組み合わせる。 COCO、DIV2K、VOC2012の実験は、CRESTが厳しい収穫の下で回復し、競争力のある視覚的品質を維持しながら改善していることを示している。
  論文  参考訳（メタデータ） (2026-08-19T05:46:29Z)
• Bend the Basics: Degradation-Aware Deformable Tokenization for All-in-One Image Restoration [72.64498743287601]
  オールインワン画像復元は、多様で空間的に一様でない腐敗によって劣化した画像を復元できる単一のモデルを求める。 パイプライン全体にわたる劣化認識をモデル化するフレキシブル・イメージ・トランスフォーマー(FIT)を提案する。 FITは、30.72dBの平均PSNRを5次劣化設定で32.83dBを3次劣化設定で達成し、最近の統一修復法を+0.5$sim$1.1dBで上回った。
  論文  参考訳（メタデータ） (2026-08-07T05:44:31Z)
• CURE: Controllable Unified Image Restoration for Complex Degradations [11.660815850318114]
  CUREは複雑な劣化設定で制御可能な復元を可能にする統一されたフレームワークである。 CUREは、複合劣化ベンチマークで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） (2026-07-03T07:34:11Z)
• A2BFR: Attribute-Aware Blind Face Restoration [48.06304429343643]
  ブラインド顔復元(BFR)は、劣化した入力から高品質な顔画像の復元を目的としている。 近年の拡散型BFR法は知覚品質を向上させるが制御不能である。 本稿では,属性を意識したBFRフレームワークであるA$2$BFRを提案する。
  論文  参考訳（メタデータ） (2026-03-31T08:29:04Z)
• Learning Robust Reasoning through Guided Adversarial Self-Play [32.87933476043378]
  本稿では,GASP(Guided Adrial Self-Play)を導入した。 人間のラベルや外部教師がいなければ、GASPは単一のモデル内で敵のセルフプレイゲームを形成する。 自己生成修復の模倣用語であるin-distriion repair guidanceは、以前取得した機能を保持しながら回復確率を高める。
  論文  参考訳（メタデータ） (2026-01-30T02:23:31Z)
• AR2: Attention-Guided Repair for the Robustness of CNNs Against Common Corruptions [5.294455344248843]
  ディープニューラルネットワークは、一般的な汚職に晒された場合、大きなパフォーマンス劣化に悩まされる。 本稿では,事前学習したCNNの破壊堅牢性を高めるためにAR2(Attention-Guided repair for Robustness)を提案する。
  論文  参考訳（メタデータ） (2025-07-08T18:37:00Z)
• LAFR: Efficient Diffusion-based Blind Face Restoration via Latent Codebook Alignment Adapter [52.93785843453579]
  低品質(LQ)画像からのブラインド顔復元は、高忠実度画像再構成と顔認証の保存を必要とする課題である。 LAFRは,LQ画像の潜時分布とHQ画像の潜時分布を一致させる,新しいコードブックベースの潜時空間アダプタである。 FFHQデータセットのわずか0.9%での拡散の軽量な微調整は、最先端の手法に匹敵する結果を得るのに十分であることを示す。
  論文  参考訳（メタデータ） (2025-05-29T14:11:16Z)
• Restoration Score Distillation: From Corrupted Diffusion Pretraining to One-Step High-Quality Generation [82.39763984380625]
  Score Distillation (DSD) の原理的一般化である textitRestoration Score Distillation (RSD) を提案する。 RSDは、ぼやけた画像、不完全画像、低解像度画像など、広範囲の汚職タイプに対応している。 自然と科学の両方のデータセットの様々な復元作業において、教師モデルを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-05-19T17:21:03Z)
• DR2: Diffusion-based Robust Degradation Remover for Blind Face Restoration [66.01846902242355]
  ブラインド顔復元は通常、トレーニングのための事前定義された劣化モデルで劣化した低品質データを合成する。 トレーニングデータに現実のケースをカバーするために、あらゆる種類の劣化を含めることは、高価で実現不可能である。 本稿では、まず、劣化した画像を粗いが劣化不変な予測に変換し、次に、粗い予測を高品質な画像に復元するために拡張モジュールを使用するロバスト劣化再帰法(DR2)を提案する。
  論文  参考訳（メタデータ） (2023-03-13T06:05:18Z)
• Relationship Quantification of Image Degradations [72.98190570967937]
  劣化関係指数(DRI)は,2モデル間の検証損失の平均ドロップレート差として定義される。 DRIは常に、特定の劣化を列車モデルの補助として利用することで、性能改善を予測します。 得られた劣化組合せがアンカー劣化性能を向上させることができるかどうかを簡易かつ効果的に推定する手法を提案する。
  論文  参考訳（メタデータ） (2022-12-08T09:05:19Z)
• Benchmarks for Corruption Invariant Person Re-identification [31.919264399996475]
  本研究では,マーケット-1501,CUHK03,MSMT17,RegDB,SYSU-MM01など,単品間および多品間データセットにおける汚い不変性学習について検討した。 トランスフォーマーベースのモデルは、CNNベースのモデルと比較して、破損したイメージに対してより堅牢である。 クロスデータセットの一般化は、腐敗の堅牢性を高めることで改善される。
  論文  参考訳（メタデータ） (2021-11-01T12:14:28Z)

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。