論文の概要: A Unified Variational Framework for Deep Weakly Supervised Image Segmentation

• arxiv url: http://arxiv.org/abs/2607.19669v1
• Date: Wed, 22 Jul 2026 02:18:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:37.948091
• Title: A Unified Variational Framework for Deep Weakly Supervised Image Segmentation
• Title（参考訳）: 深部強調画像分割のための一様変分フレームワーク
• Abstract要約: スパースピクセルレベルの監督の下で,画像分割のための統一的な変分フレームワークを提案する。 本手法は,スムーズな周辺正規化器を備えた単純制約ポッツモデルに基づく。 ファジィメンバシップ関数を構築することにより、スパースラベルをデータ忠実度項に組み込む。
• 参考スコア（独自算出の注目度）: 6.232598868087682
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a unified variational framework for image segmentation under sparse pixel-level supervision. Our method is based on a simplex-constrained Potts model with a smooth perimeter regularizer, yielding a convex, smooth energy functional that can be used as a training loss in weakly supervised deep learning paradigms or optimized efficiently using iterative methods. Sparse labels are incorporated into the data fidelity term by constructing a fuzzy membership function via a function extension problem in a Reproducing Kernel Hilbert Space (RKHS), which can effectively capture inhomogeneous intensity statistics. The derived discrete loss for training standard networks demonstrates robustness and consistent improvements over non-training and partial cross-entropy (PCE) baselines in experiments, achieving comparable performance without requiring ground-truth segmentation images.
• Abstract（参考訳）: スパースピクセルレベルの監督下で画像分割のための統一的な変分フレームワークを提案する。 本手法は,スムーズな周辺レギュレータを備えた簡易制約ポッツモデルに基づいており,弱教師付き深層学習パラダイムのトレーニング損失として,あるいは反復的手法を用いて効率よく最適化できる凸・スムーズなエネルギー関数を導出する。 再生ケルネルヒルベルト空間(RKHS)における関数拡張問題を介してファジィメンバシップ関数を構築し、不均一強度統計を効果的に捉えることにより、スパースラベルをデータフィデリティ項に組み込む。 トレーニング標準ネットワークの離散的損失は、実験において、非トレーニングおよび部分的クロスエントロピー(PCE)ベースラインよりも頑健さと一貫した改善を示す。

関連論文リスト

• Local Epistemic Uncertainty Guided Active Sampling for Plug-and-play Diffusive Image Restoration [15.371827475537776]
  局所的不確実性ガイド型アクティブサンプリングフレームワークを開発した。 空間領域における細部保存とアーティファクトの抑制のバランスをとる。 メモリオーバーヘッドを無視してサンプリング時間を短縮する。
  論文  参考訳（メタデータ） (2026-08-07T09:00:20Z)
• Self-supervised pretraining for an iterative image size agnostic vision transformer [60.09702846704075]
  ビジョントランスフォーマー(ViT)が自己教師型学習(SSL)を支配している 本稿では, DINO の自己蒸留目標に基づく, シーケンシャル・グローバルなSSLフレームワークを提案する。 我々は、ImageNet-1Kと下流分類タスクの競合性能を達成する。
  論文  参考訳（メタデータ） (2026-04-22T09:53:28Z)
• PDE-Constrained Optimization for Neural Image Segmentation with Physics Priors [0.0]
  顕微鏡画像の画像は、計測ノイズ、弱い物体境界、限られたラベル付きデータによる不適切な逆問題を構成する。 本研究では,PDE制約付き最適化問題としてイメージセグメンテーションを定式化し,物理的に動機付けられた事前処理を深層学習モデルに統合する。 LIVECellデータセットは、高画質で手動による位相コントラスト顕微鏡画像の収集である。
  論文  参考訳（メタデータ） (2026-02-01T07:28:14Z)
• Low-Rank Tensor Recovery via Variational Schatten-p Quasi-Norm and Jacobian Regularization [49.85875869048434]
  暗黙的神経表現のためのニューラルネットワークによりパラメータ化されたCPベースの低ランクテンソル関数を提案する。 本研究では、スペーサーCP分解を実現するために、冗長なランク1成分に変分Schatten-p quasi-normを導入する。 滑らか性のために、ヤコビアンとハッチンソンのトレース推定器のスペクトルノルムに基づく正規化項を提案する。
  論文  参考訳（メタデータ） (2025-06-27T11:23:10Z)
• Enabling Tensor Decomposition for Time-Series Classification via A Simple Pseudo-Laplacian Contrast [26.28414569796961]
  本稿では, Pseudo Laplacian Contrast (PLC) テンソル分解フレームワークを提案する。 データ拡張とラプラシアンのクロスビューを統合し、クラス認識表現の抽出を可能にする。 様々なデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2024-09-23T16:48:13Z)
• DynaSeg: A Deep Dynamic Fusion Method for Unsupervised Image Segmentation Incorporating Feature Similarity and Spatial Continuity [0.5755004576310334]
  我々は、革新的な教師なしイメージセグメンテーションアプローチであるDynaSegを紹介する。 従来の方法とは異なり、DynaSegは画像の特徴に柔軟に対応する動的重み付け方式を採用している。 DynaSegは、予測されたクラスタ数が1つに収束する可能性のある、過小評価の失敗を防ぐ。
  論文  参考訳（メタデータ） (2024-05-09T00:30:45Z)
• DynaST: Dynamic Sparse Transformer for Exemplar-Guided Image Generation [56.514462874501675]
  本稿では,動的スパースアテンションに基づくトランスフォーマーモデルを提案する。 このアプローチの核心は、ある位置がフォーカスすべき最適なトークン数の変化をカバーすることに特化した、新しいダイナミックアテンションユニットです。 3つの応用、ポーズ誘導型人物画像生成、エッジベース顔合成、歪みのない画像スタイル転送の実験により、DynaSTは局所的な詳細において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2022-07-13T11:12:03Z)
• Dense Unsupervised Learning for Video Segmentation [49.46930315961636]
  ビデオオブジェクトセグメンテーション(VOS)のための教師なし学習のための新しいアプローチを提案する。 これまでの研究とは異なり、我々の定式化によって、完全に畳み込みの仕組みで、密集した特徴表現を直接学習することができる。 我々の手法は、トレーニングデータや計算能力が大幅に少ないにもかかわらず、以前の作業のセグメンテーション精度を超える。
  論文  参考訳（メタデータ） (2021-11-11T15:15:11Z)
• Dynamic Feature Regularized Loss for Weakly Supervised Semantic Segmentation [37.43674181562307]
  動的に更新される浅度と深度の両方の機能を利用する新たな正規化損失を提案する。 提案手法は,新しい最先端性能を実現し,他の手法よりも6%以上のmIoU増加率で優れたマージンを達成している。
  論文  参考訳（メタデータ） (2021-08-03T05:11:00Z)
• FDA: Fourier Domain Adaptation for Semantic Segmentation [82.4963423086097]
  本稿では,教師なし領域適応の簡易な手法について述べる。一方の低周波スペクトルを他方と交換することにより,音源と対象分布の相違を低減できる。 本手法を意味的セグメンテーション(semantic segmentation, 意味的セグメンテーション, 意味的セグメンテーション)で説明する。 以上の結果から,より高度な手法が学習に苦しむデータにおいて,単純な手順であってもニュアンス変動を低減できる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-04-11T22:20:48Z)
• Adaptive Fractional Dilated Convolution Network for Image Aesthetics Assessment [33.945579916184364]
  適応型分数拡張畳み込み(AFDC)は、畳み込みカーネルレベルでこの問題に取り組むために開発された。 ミニバッチ学習のための簡潔な定式化を行い,グループ化戦略を用いて計算オーバーヘッドを削減する。 提案手法は,AVAデータセットを用いた画像美学評価において,最先端の性能を実現することを実証した。
  論文  参考訳（メタデータ） (2020-04-06T21:56:29Z)
• Deep Semantic Matching with Foreground Detection and Cycle-Consistency [103.22976097225457]
  深層ネットワークに基づく弱い教師付きセマンティックマッチングに対処する。 本研究では,背景乱れの影響を抑えるために,前景領域を明示的に推定する。 複数の画像にまたがって予測変換を強制し、幾何的に可視かつ一貫したサイクル一貫性の損失を発生させる。
  論文  参考訳（メタデータ） (2020-03-31T22:38:09Z)

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。