論文の概要: DORS: Dynamic Attention Routing for Diffusion-based Object Removal in Dense Scenes

• arxiv url: http://arxiv.org/abs/2607.16656v1
• Date: Sat, 18 Jul 2026 06:23:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.220659
• Title: DORS: Dynamic Attention Routing for Diffusion-based Object Removal in Dense Scenes
• Title（参考訳）: DORS:拡散型物体除去のためのダイナミックアテンションルーティング
• Abstract要約: オブジェクト除去は、周囲の領域との視覚的整合性を維持しながら、マスクによって指定されたターゲットオブジェクトを削除することを目的としている。 既存の方法は、周囲の地域からのコンテキスト情報に依存するのが一般的である。 周囲の領域が除去対象と視覚的に類似したインスタンスを含む密集したシーンでは、そのような依存はしばしば意味的干渉を引き起こす。 本研究では,ダイナミックアテンションルーティング機構上に構築されたDORSと呼ばれる高密度シーンを対象とした拡散型オブジェクト除去フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 3.6238057015371035
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object removal aims to eliminate target objects specified by a mask while preserving visual consistency with the surrounding regions. Existing methods typically rely on contextual information from surrounding regions. However, in dense scenes where the surrounding regions contain instances visually similar to the removal target, such reliance often leads to semantic interference, resulting in incomplete removal. This problem arises from erroneous information propagation in the attention space, where masked queries tend to align with such instances due to global similarity matching in self-attention. To address this challenge, we propose a Diffusion-based Object Removal framework for dense Scenes, dubbed DORS, built upon a Dynamic Attention Routing mechanism comprising two complementary components: Instance-Filtered Attention (IFA), which suppresses misleading semantic information from similar instances through dynamically constructed mask-guided attention constraints, and Context-Guided Routing (CGR), which dynamically routes complementary scene information to maintain visual consistency. We further introduce DOR-Bench, a benchmark tailored for object removal in dense scenes. Extensive experiments demonstrate that DORS outperforms state-of-the-art methods, particularly in reducing incomplete removal and duplicate artifacts. The code will be available at https://github.com/httang1224/DORS.
• Abstract（参考訳）: オブジェクト除去は、周囲の領域との視覚的整合性を維持しながら、マスクによって指定されたターゲットオブジェクトを削除することを目的としている。 既存の方法は、周囲の地域からのコンテキスト情報に依存するのが一般的である。 しかし、周囲の領域が除去対象と視覚的に類似したインスタンスを含む密集したシーンでは、そのような依存がしばしば意味的干渉を引き起こし、不完全な除去をもたらす。 この問題は、マスキングクエリが、自己注意におけるグローバルな類似性マッチングによってそのようなインスタンスと整合する傾向にある注意空間における誤った情報伝達から生じる。 この課題に対処するために、動的アテンション・ルーティング(DORS)と呼ばれる高密度シーンのための拡散型オブジェクト除去フレームワークを提案する。これは2つの補完的なコンポーネントからなる動的アテンション・ルーティング機構であるインスタンス・フィルタード・アテンション(IFA)と、視覚的一貫性を維持するために補完的なシーン情報を動的にルーティングするコンテキスト誘導ルーティング(CGR)である。 さらに,高密度シーンにおけるオブジェクト除去に適したベンチマークであるDOR-Benchを紹介する。 大規模な実験により、DORSは最先端の手法、特に不完全な除去と重複したアーティファクトを減らすことに優れていた。 コードはhttps://github.com/httang1224/DORS.comから入手できる。

関連論文リスト

• Learning to Generate Multiple Objects from Dense and Occluded Layouts [8.60490943852385]
  密集したシーンでは、重なり合うインスタンスは、視覚的に可視であるように見えるにもかかわらず、区別できない構造に崩壊する。 本研究は,領域依存型グループ化に向けたトークン相互作用をソフトにバイアスする,レイアウト対応型アテンションバイアスを通じてこの問題に対処する。 本手法は,画像品質を保ちながら,カウント精度を大幅に向上し,インスタンスのマージを防止する。
  論文  参考訳（メタデータ） (2026-07-03T16:56:01Z)
• ObjectClear: Complete Object Removal via Object-Effect Attention [56.2893552300215]
  我々は、オブジェクトとそれに関連する視覚的アーティファクトの両方の正確なマスクとともに、オブジェクト効果と不要なペア画像を提供するOBERという、オブジェクト・エフェクト除去のための新しいデータセットを紹介した。 本研究では,物体効果の注意機構を組み込んだ新しいフレームワーク ObjectClear を提案する。 実験では、ObjectClearが既存のメソッドよりも優れており、特に複雑なシナリオにおいて、オブジェクト・エフェクトの除去品質と背景の忠実さの改善を実現している。
  論文  参考訳（メタデータ） (2025-05-28T17:51:17Z)
• DRRNet: Macro-Micro Feature Fusion and Dual Reverse Refinement for Camouflaged Object Detection [3.4710674889857787]
  DRRNetは、これらの問題に対処する"context-fusion-refinement"パイプラインを特徴とする4段階アーキテクチャである。 グローバルカモフラージュパターンをキャプチャするOmniコンテキスト特徴抽出モジュールを提案する。 次に、シーン理解と構造認識の二重表現を形成するモジュールを設計する。
  論文  参考訳（メタデータ） (2025-05-14T06:03:53Z)
• A Diffusion-Based Framework for Occluded Object Movement [39.6345172890042]
  DiffOOM という名前の Occluded Object Movement 用に設計された拡散型フレームワークを提案する。 除染分岐は、背景色充満戦略と、継続的に更新されたオブジェクトマスクを利用して、対象オブジェクトの曖昧な部分を完成させることに集中する。 同時に、動作ブランチは、完了したオブジェクトを目標位置に置くために遅延最適化を採用し、ローカルテキスト条件のガイダンスを採用して、オブジェクトを新しい環境に適切に統合する。
  論文  参考訳（メタデータ） (2025-04-02T16:29:30Z)
• SmartEraser: Remove Anything from Images using Masked-Region Guidance [114.36809682798784]
  SmartEraserはMasked-Region Guidanceと呼ばれる新しい削除パラダイムで構築されている。 Masked-Region Guidanceは、削除プロセスのガイダンスとして、入力中のマスクされた領域を保持します。 大規模オブジェクト除去データセットであるSyn4Removalを提案する。
  論文  参考訳（メタデータ） (2025-01-14T17:55:12Z)
• Improving Object Detection via Local-global Contrastive Learning [27.660633883387753]
  本稿では,クロスドメインオブジェクト検出を対象とする画像から画像への変換手法を提案する。 ローカル・グローバル情報と対比することでオブジェクトを表現することを学ぶ。 これにより、ドメインシフトの下で、パフォーマンス検出(Performant detection)の取得という、未調査の課題の調査が可能になる。
  論文  参考訳（メタデータ） (2024-10-07T14:18:32Z)
• Learning Spatial-Semantic Features for Robust Video Object Segmentation [108.045326229865]
  本稿では,空間意味的特徴と識別的オブジェクトクエリを学習する,ロバストなビデオオブジェクトセグメンテーションフレームワークを提案する。 DAVIS 2017 test (textbf87.8%)、YoutubeVOS 2019 (textbf88.1%)、MOSE val (textbf74.0%)、LVOS test (textbf73.0%)を含むベンチマークデータセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-07-10T15:36:00Z)
• Object-Centric Multiple Object Tracking [124.30650395969126]
  本稿では,多目的追跡パイプラインのためのビデオオブジェクト中心モデルを提案する。 オブジェクト中心のスロットを検出出力に適応するインデックスマージモジュールと、オブジェクトメモリモジュールで構成される。 オブジェクト中心学習に特化して、オブジェクトのローカライゼーションと機能バインディングのためのスパース検出ラベルしか必要としない。
  論文  参考訳（メタデータ） (2023-09-01T03:34:12Z)
• DQnet: Cross-Model Detail Querying for Camouflaged Object Detection [54.82390534024954]
  カモフラージュされた物体検出のための畳み込みニューラルネットワーク(CNN)は、完全な対象範囲を無視しながら局所的な識別領域を活性化する傾向がある。 本稿では,CNNの内在的特性から部分的活性化が引き起こされることを論じる。 完全なオブジェクト範囲を活性化できる特徴マップを得るために,クロスモデル詳細クエリネットワーク(DQnet)と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-16T06:23:58Z)
• Re-Attention Transformer for Weakly Supervised Object Localization [45.417606565085116]
  本稿では,トークン精錬トランス (TRT) と呼ばれる再アテンション機構を提案する。 具体的には、TPSM(トークン優先スコアリングモジュール)と呼ばれる新しいモジュールを導入し、ターゲットオブジェクトにフォーカスしながらバックグラウンドノイズの影響を抑える。
  論文  参考訳（メタデータ） (2022-08-03T04:34:28Z)
• Discovering Objects that Can Move [55.743225595012966]
  手動ラベルなしでオブジェクトを背景から分離する、オブジェクト発見の問題について検討する。 既存のアプローチでは、色、テクスチャ、位置などの外観の手がかりを使用して、ピクセルをオブジェクトのような領域に分類する。 私たちは、動的オブジェクト -- 世界で独立して動くエンティティ -- にフォーカスすることを選びます。
  論文  参考訳（メタデータ） (2022-03-18T21:13:56Z)

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。