論文の概要: SSR: Similarity-Shift Refinement for Training-Free Object-Centric Masks

• arxiv url: http://arxiv.org/abs/2608.01103v1
• Date: Sun, 02 Aug 2026 09:06:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.084387
• Title: SSR: Similarity-Shift Refinement for Training-Free Object-Centric Masks
• Title（参考訳）: SSR: 学習不要な物体中心マスクの類似性シフトリファインメント
• Abstract要約: 類似性シフトリファインメントは、自己監督型視覚変換器でオブジェクト中心のマスクを改善する。 SSRは、自己アテンション値のアグリゲーションの前後で、ペアワイズパッチの類似性の変化を測定する。 これは、両方のモデルを再訓練したり修正したりすることなく、最初のソフトスロット割り当てを単一の改良ステップで伝達する。
• 参考スコア（独自算出の注目度）: 0.6302369456012739
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Object-centric models often produce fragmented masks, boundary leakage, and incorrect region merging. We introduce Similarity-Shift Refinement (SSR), a training-free post-hoc method for improving object-centric masks with a frozen self-supervised Vision Transformer. SSR measures changes in pairwise patch similarity before and after self-attention value aggregation, retains positively strengthened relations, and constructs a sparse affinity graph. This graph propagates the initial soft slot assignments in a single refinement step, without retraining or modifying either model. Across natural-image, synthetic-video, and real-world-video benchmarks, SSR improves all-pixel Adjusted Rand Index in all 24 evaluated model-dataset combinations, with an average gain of 8.5 percentage points. Ablations show that value-space similarity shifts outperform query- and key-space variants as well as static Transformer affinities. However, texture-dense scenes may cause visually similar regions to be over-grouped. Overall, SSR provides a simple and transferable signal for training-free object-centric mask refinement.
• Abstract（参考訳）: オブジェクト中心のモデルは、しばしば断片化されたマスク、境界の漏れ、誤った領域のマージを生成する。 凍結自己監督型視覚変換器を用いて、物体中心マスクを改善するためのトレーニング不要なポストホック法であるSSR(Simisity-Shift Refinement)を導入する。 SSRは、自己アテンション値の集計前後のペアワイズパッチの類似性の変化を測定し、正に強化された関係を維持し、スパース親和性グラフを構築する。 このグラフは、両方のモデルを再訓練したり修正したりすることなく、最初のソフトスロット割り当てを1つの改良ステップで伝播する。 自然画像、合成ビデオ、実世界のベンチマーク全体にわたって、SSRは、評価された24のモデルデータセットの組み合わせすべてにおいて、全ピクセル調整ランダムインデックスを改善し、平均8.5ポイントのゲインを達成している。 アブレーションにより、値空間の類似性は、クエリとキースペースの変種、および静的トランスフォーマー親和性より優れていることが示されている。 しかし、テクスチャ・センスのシーンは視覚的に類似した領域が過剰にグループ化される可能性がある。 全体として、SSRは、トレーニング不要なオブジェクト中心マスクリファインメントのためのシンプルで転送可能な信号を提供する。

関連論文リスト

• Spiking Local Interaction and Adaptive Complementary Fusion for Spiking Transformer [19.12698354620558]
  スパイキング・トランスフォーマーは、主にスパイキング・セルフアテンション(SSA)を介してトークン相互作用をモデル化する Spiking Local Interaction (SLI) と Adaptive Complementary Fusion (ACF) を紹介する。 ACFはSSAとSLIを、異なるネットワーク深さでのコントリビューションを適応的にバランスする層特異的なチャネルワイド係数を通じて統合する。
  論文  参考訳（メタデータ） (2026-08-11T14:23:26Z)
• Where Does Generative Difficulty Reside? An Empirical Study of Target Representations [62.54876287800644]
  ターゲット表現は、イメージジェネレータが学ぶ必要がある分布を定義するが、しばしば交換可能なインターフェースとして扱われる。 マスク付き自己回帰整流モデルにおいて,生画素,SD-VAE潜伏剤,DINOv2,MAE表現-オートエンコーダの特徴について検討した。 その結果, 圧縮, 再構成忠実度, トークン次元, 可視的セマンティッククラスタリングは生成挙動を個別に予測できないことがわかった。
  論文  参考訳（メタデータ） (2026-08-01T12:32:31Z)
• Breaking Spurious Correlations via Generative Randomization and Cross-Variant Self-Supervised Learning [0.871725390496537]
  経験的リスク最小化でトレーニングされたディープニューラルネットワークは、分散シフト時に失敗することが多い。 最近の生成的アプローチでは、コンテキストが変化した反ファクト画像を作成することでこの問題に対処している。 生成的介入を用いて背景不変の視覚表現を明示的に学習する2段階のフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-07T05:13:26Z)
• ReSAM: Refine, Requery, and Reinforce: Self-Prompting Point-Supervised Segmentation for Remote Sensing Images [0.5076419064097732]
  リモートセンシング画像にインタラクティブなセグメンテーションモデルを適用するセルフプロンプト・ポイント制御フレームワークを提案する。 提案手法を,WHU,HRSID,NWPU VHR-10を含む3つのRSIベンチマークデータセット上で評価した。 この結果から, リモートセンシングアプリケーションにおいて, 自己プロンプトとセマンティックアライメントが, 拡張性, ポイントレベルのセグメンテーションモデルへの適応に有効であることが示唆された。
  論文  参考訳（メタデータ） (2025-11-26T17:26:00Z)
• Diffusion-Guided Mask-Consistent Paired Mixing for Endoscopic Image Segmentation [57.37991748282666]
  本稿では, 試料混合と拡散合成の強度を融合した拡散誘導型パラダイムを提案する。 各実画像について、合成対を同じマスクの下で生成し、その対をマスク一貫性ペアドミキシング(MCPMix)の制御可能な入力として使用する。 これは、共有幾何学の下で合成および実際の外観を円滑にブリッジする中間サンプルの連続的な族を生成する。
  論文  参考訳（メタデータ） (2025-11-05T06:14:19Z)
• Exploring Efficient Open-Vocabulary Segmentation in the Remote Sensing [55.291219073365546]
  Open-Vocabulary Remote Sensing Image (OVRSIS)は、OVS(Open-Vocabulary)をリモートセンシング(RS)ドメインに適応させる新しいタスクである。 textbfRSKT-Segは、リモートセンシングに適した新しいオープン語彙セグメンテーションフレームワークである。 RSKT-Segは高いOVSベースラインを+3.8 mIoUと+5.9 mACCで上回り、効率的なアグリゲーションによって2倍高速な推論を実現している。
  論文  参考訳（メタデータ） (2025-09-15T15:24:49Z)
• CAM-Seg: A Continuous-valued Embedding Approach for Semantic Image Generation [11.170848285659572]
  量子化埋め込みを用いたセグメンテーションマスクのオートエンコーダ精度は連続数値埋め込みよりも8%低い。 セマンティックセグメンテーションのための連続評価組込みフレームワークを提案する。 提案手法では,細粒度のセマンティックな詳細を保存しながら,離散的な潜在表現の必要性を排除している。
  論文  参考訳（メタデータ） (2025-03-19T18:06:54Z)
• Semantic Segmentation and Scene Reconstruction of RGB-D Image Frames: An End-to-End Modular Pipeline for Robotic Applications [0.7951977175758216]
  従来のRGB-D処理パイプラインは主に幾何学的再構成に焦点を当てている。 セマンティックセグメンテーション、ヒューマントラッキング、ポイントクラウド融合、シーン再構築を統合した、新しいエンドツーエンドのモジュールパイプラインを導入する。 我々は、ベンチマークデータセットと現実世界のKinect RGB-Dデータにアプローチを検証し、効率、精度、ユーザビリティを改善した。
  論文  参考訳（メタデータ） (2024-10-23T16:01:31Z)
• Bridge the Points: Graph-based Few-shot Segment Anything Semantically [79.1519244940518]
  プレトレーニング技術の最近の進歩により、視覚基礎モデルの能力が向上した。 最近の研究はSAMをFew-shot Semantic segmentation (FSS)に拡張している。 本稿では,グラフ解析に基づく簡易かつ効果的な手法を提案する。
  論文  参考訳（メタデータ） (2024-10-09T15:02:28Z)
• SafaRi:Adaptive Sequence Transformer for Weakly Supervised Referring Expression Segmentation [11.243400478302771]
  Referring Expression Consistency (RES) は、テキストによって参照される画像において、対象オブジェクトのセグメンテーションマスクを提供することを目的としている。 アルゴリズムの革新を取り入れたRESのための弱教師付きブートストラップアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-07-02T16:02:25Z)
• SODAR: Segmenting Objects by DynamicallyAggregating Neighboring Mask Representations [90.8752454643737]
  最近の最先端のワンステージインスタンスセグメンテーションモデルSOLOは、入力画像をグリッドに分割し、完全な畳み込みネットワークを備えたグリッドセルオブジェクトマスクを直接予測する。 我々は,SOLOが近傍の格子セルの物体に対して類似したマスクを生成するのを観察する。 観測されたギャップによってモチベーションを得た学習ベースのアグリゲーション手法を開発し,そのリッチな隣り合う情報を活用してSOLOを改善する。
  論文  参考訳（メタデータ） (2022-02-15T13:53:03Z)
• Robust Person Re-Identification through Contextual Mutual Boosting [77.1976737965566]
  本研究では,歩行者の局地化を目的としたコンテキスト相互ブースティングネットワーク(CMBN)を提案する。 歩行者をローカライズし、文脈情報と統計的推測を効果的に活用することで特徴を再検討する。 ベンチマークの実験は、最先端のアーキテクチャと比較してアーキテクチャの優位性を示している。
  論文  参考訳（メタデータ） (2020-09-16T06:33:35Z)

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。