論文の概要: The Lift Spectrum: How Measurement-to-Space Adaptivity Shapes Robustness in Image-Free Single-Pixel Sensing

• arxiv url: http://arxiv.org/abs/2607.22077v1
• Date: Fri, 24 Jul 2026 08:21:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.081949
• Title: The Lift Spectrum: How Measurement-to-Space Adaptivity Shapes Robustness in Image-Free Single-Pixel Sensing
• Title（参考訳）: リフトスペクトル:画像のない単画素センシングにおける空間適応性のロバストさの計測
• Abstract要約: シングルピクセルセンシングは、シーンを符号化された測定の短いシーケンスとしてエンコードし、画像のないメソッドはそのシーケンスから直接タスクを推測する。 我々は、リフトをイメージフリーセンシングの中央設計軸として再キャストし、その入力にどれだけ強く適応するかを判断する。
• 参考スコア（独自算出の注目度）: 9.962848841245298
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Single-pixel sensing encodes a scene as a short sequence of coded measurements, and image-free methods infer the task directly from that sequence. Removing reconstruction does not remove the difficulty: it relocates it to the lift, the map from 1D measurements to a 2D representation, which prior work treats as a trivial reshape. We recast the lift as the central design axis of image-free sensing and order methods by how strongly it adapts to its input: a fixed-physics inverse (reconstruct-then-segment), a learned static projection, or a content-adaptive retrieval; position on this lift spectrum predicts behavior as acquisition degrades. The spatiotemporal soft-fusion (STSF) network pairs a probe-selected recurrent encoder with a cross-attention lift chosen by a parameter-matched ablation, ahead of its U-Net++ decoder, and trains under task-prioritized loss scheduling (TPLS), a scheduled reconstruction prior. In simulation, STSF+TPLS surpasses the prior image-free baseline on three datasets at 3.13% sampling (+3.2 to +9.9 pp foreground mIoU) and plateaus down to 0.39%. The strongest clean-trained reconstruct-then-segment baseline wins the noiseless limit, but under calibrated measurement noise image-free inference overtakes it, for a measured reason: the reconstruction pipeline amplifies the identical measurement noise before its segmenter reads it. Each region fails in its own signature: collapse, imprinting, or coarsening. STSF+TPLS transfers without fine-tuning to a real single-pixel bench as a proof of concept, at about 14 ms per mask. Charting the lift turns a scattered design space into a map of which lift to deploy at each operating point. Code and pretrained weights: https://github.com/Hanyuyuan6/STSF-TPLS
• Abstract（参考訳）: シングルピクセルセンシングは、シーンを符号化された測定の短いシーケンスとしてエンコードし、画像のないメソッドはそのシーケンスから直接タスクを推測する。 1次元の測定から2次元の表現へマップを移動させ、それ以前の作業は自明な再形成として扱う。 我々は,このリフトをイメージフリーセンシングとオーダー手法の中央設計軸として,その入力への適応性を強く評価する: 固定物理逆数(再構成過程),学習された静的投影,あるいはコンテンツ適応型検索; このリフトスペクトル上の位置は,取得が低下するにつれて挙動を予測する。 時空間ソフトフュージョン(STSF)ネットワークは、パラメータマッチングされたアブレーションによって選択されたクロスアテンションリフトとプローブ選択されたリカレントエンコーダを、U-Net++デコーダの前に組み合わせ、タスク優先損失スケジューリング(TPLS)の下でのトレーニングを行う。 シミュレーションでは、STSF+TPLSは3つのデータセットの3.13%のサンプリング(+3.2から+9.9ppフォアグラウンドmIoU)とプラトーを0.39%まで下げた。 最強のクリーン・トレーニングされた再構成・セグメンションベースラインは、ノイズレス限界に勝利するが、校正された計測ノイズなしの推論では、測定された理由により、セグメンタが読み出す前に、再構成パイプラインが同一の測定ノイズを増幅する。 各リージョンは、崩壊、インプリント、または粗大化という、独自の署名で失敗する。 STSF+TPLSは、マスク1枚あたり約14ミリ秒で、概念実証として実際の1ピクセルのベンチに微調整することなく転送する。 リフトのチャートは、散らばったデザインスペースを、各操作ポイントに展開するリフトのマップに変える。 コードと事前トレーニング:https://github.com/Hanyuyuan6/STSF-TPLS

関連論文リスト

• Hybrid-Domain Posterior Sampling for Inverse Problems via Latent Flow Matching [22.663919850054928]
  Hybrid-Domain Posterior Sampling (HDPS)は、セマンティックな事前モデリングから物理的測定一貫性を分離する分離された推論フレームワークである。 様々な逆問題に関する実験により、HDPSは新しい最先端技術を確立し、ラテントのみの解法が本質的に破棄する高周波構造精度を回復することに成功した。
  論文  参考訳（メタデータ） (2026-08-01T08:46:12Z)
• Surflo: Consistent 3D Surface Flow Model with Global State [57.57234680235885]
  Surfloは、方向付けられた3次元表面点を、ノイズからフローマッチングを通じて独立して表面へ輸送することでデコードする。 独立なポイント単位の復号化に固有の局所的不整合を抑制するために、光度勾配を注入することにより、推定時間誘導項が近傍の点と相関する。 Surfloは、サーフェスメトリクスのフィードフォワードベースラインにマッチし、数百のビューを必要とする最適化ベースのメソッドよりも桁違いに高速に動作し、グローバルなラテントと任意の解像度のデコーディングを組み合わせた唯一のフィードフォワードアプローチである。
  論文  参考訳（メタデータ） (2026-06-11T17:48:38Z)
• TriSplat: Simulation-Ready Feed-Forward 3D Scene Reconstruction [65.03268438396556]
  TriSplatは、向き付けられた三角形のプリミティブを持つシーンを表すフィードフォワード再構築ネットワークである。 シミュレーション可能なメッシュシーンを1つのフォワードパスからエクスポートする。 RealEstate10K と DL3DV の実験により、この表現はガウスのフィードフォワードベースラインよりも幾何に忠実な再構成を生成することが示された。
  論文  参考訳（メタデータ） (2026-05-25T17:59:53Z)
• DualSplat: Robust 3D Gaussian Splatting via Pseudo-Mask Bootstrapping from Reconstruction Failures [11.192603832832212]
  3D Gaussian Splatting (3DGS) はリアルタイムレンダリングを実現するが、トレーニング画像が過渡物体を含む場合、その性能は著しく低下する。 正確な過渡検出にはよく再構成された静的なシーンが必要であり、クリーンな再構築自体は信頼できる過渡マスクに依存している。 この課題に対処するDualSplatは、第1パスの再構築障害を第2の再構築ステージの明示的な事前処理に変換する、フェール・ツー・プリアーのフレームワークである。
  論文  参考訳（メタデータ） (2026-04-23T12:50:13Z)
• D3R-Net: Dual-Domain Denoising Reconstruction Network for Robust Industrial Anomaly Detection [0.0]
  非教師付き異常検出(UAD)は、現代の製造において、自動視覚検査の鍵となる要素である。 本稿では、D3R-Netについて紹介する。D3R-Netは、自己教師型「癒し」タスクと周波数認識正規化を結合したデュアルドメイン・デノベーション・コンストラクションフレームワークである。 空間平均二乗誤差に加えて、周波数領域の整合性を促進するFast Fourier Transform (FFT) 等級損失を用いる。
  論文  参考訳（メタデータ） (2026-01-27T23:21:59Z)
• ISWSST: Index-space-wave State Superposition Transformers for Multispectral Remotely Sensed Imagery Semantic Segmentation [8.70782042307399]
  Index-space-wave state superposition Transformer (ISWSST) は、MSRSIセマンティックセグメンテーションのために提案される最初の方法である。 ISWSSTは、MSRSIセグメンテーションタスクの最先端アーキテクチャよりも検証され、優れている。
  論文  参考訳（メタデータ） (2024-07-03T11:54:17Z)
• Degradation-Aware Unfolding Half-Shuffle Transformer for Spectral Compressive Imaging [142.11622043078867]
  圧縮画像と物理マスクからパラメータを推定し,これらのパラメータを用いて各イテレーションを制御する,DAUF(Degradation-Aware Unfolding Framework)を提案する。 HST を DAUF に接続することにより,HSI 再構成のための変換器の深部展開法であるデグレーション・アウェア・アンフォールディング・ハーフシャッフル変換器 (DAUHST) を確立した。
  論文  参考訳（メタデータ） (2022-05-20T11:37:44Z)
• Coarse-to-Fine Sparse Transformer for Hyperspectral Image Reconstruction [138.04956118993934]
  本稿では, サース・トゥ・ファインス・スパース・トランス (CST) を用いた新しいトランス方式を提案する。 HSI再構成のための深層学習にHSI空間を埋め込んだCST 特に,CSTは,提案したスペクトル認識スクリーニング機構(SASM)を粗いパッチ選択に使用し,選択したパッチを,細かなピクセルクラスタリングと自己相似性キャプチャのために,カスタマイズしたスペクトル集約ハッシュ型マルチヘッド自己アテンション(SAH-MSA)に入力する。
  論文  参考訳（メタデータ） (2022-03-09T16:17:47Z)
• 3D Human Pose and Shape Regression with Pyramidal Mesh Alignment Feedback Loop [128.07841893637337]
  回帰に基づく手法は最近、単眼画像からヒトのメッシュを再構成する有望な結果を示した。 パラメータの小さな偏差は、推定メッシュと画像のエビデンスの間に顕著な不一致を引き起こす可能性がある。 本稿では,特徴ピラミッドを活用し,予測パラメータを補正するために,ピラミッドメッシュアライメントフィードバック(pymaf)ループを提案する。
  論文  参考訳（メタデータ） (2021-03-30T17:07:49Z)
• Coherent Reconstruction of Multiple Humans from a Single Image [68.3319089392548]
  本研究では,1枚の画像から多人数の3Dポーズ推定を行う問題に対処する。 この問題のトップダウン設定における典型的な回帰アプローチは、まずすべての人間を検出し、それぞれを独立して再構築する。 我々のゴールは、これらの問題を回避し、現場のすべての人間のコヒーレントな3D再構成を生成するために学習する単一のネットワークをトレーニングすることである。
  論文  参考訳（メタデータ） (2020-06-15T17:51:45Z)

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。