論文の概要: Semi-Dense Matching Uncertainty Is Not Just Local Confidence

• arxiv url: http://arxiv.org/abs/2608.08685v1
• Date: Sun, 09 Aug 2026 13:01:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.915846
• Title: Semi-Dense Matching Uncertainty Is Not Just Local Confidence
• Title（参考訳）: 半深度マッチングの不確かさは単なるローカル信頼ではない
• Authors: Khoa Hoang, Hoang-Tuan Nguyen, Huong Ninh, Hai Tran, Long Q. Tran,
• Abstract要約: 本稿では,学習可能なパラメータが9つしかない2成分ラプラス混合モデルを導入する,軽量でポストホックな全体不確実性推定フレームワークを提案する。 目的は、シャープな局所的な精細化ノイズと、粗い割り当て障害の広い尾の両方を明示的に捕捉することである。 提案手法は,計算オーバーヘッドが最小限に抑えられた種々の事前学習済みのマッチング器とロバストな推定器の下流の幾何精度を一貫して改善する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable semi-dense matching is essential for modern geometric vision systems. Designed under a coarse-to-fine paradigm, it achieves an optimal balance between performance and computational cost. However, existing methods often struggle to provide well-quantified uncertainties, where catastrophic coarse-assignment failures are ignored, leading to truncated error distributions and severely misjudged geometric estimations. In this paper, we propose a lightweight, post-hoc overall uncertainty estimation framework that introduces a two-component calibrated Laplace mixture model with only 9 learnable parameters. The objective is to explicitly capture both the sharp local refinement noise and the broader tail of coarse-assignment failures. We introduce the Coarse-success posterior Refit (CoRe) method, a geometric refitting module that utilizes the posterior probability of coarse-assignment success as soft correspondence weights. Extensive experiments show that our method consistently improves downstream geometric accuracy across various pretrained-only matchers and robust estimators with minimal computational overhead. Our code is available at https://github.com/khoavpt/Probabilistic-matching.
• Abstract（参考訳）: 現代の幾何学的視覚システムでは、信頼性の高いセミセンスマッチングが不可欠である。 粗大なパラダイムで設計され、性能と計算コストの最適バランスを達成する。 しかし、既存の手法は、破滅的な粗い割り当ての失敗が無視されるような、よく定式化された不確実性の提供に苦慮している。 本稿では,9つの学習可能なパラメータしか持たない2成分キャリブレーションされたラプラス混合モデルを導入する,軽量でポストホックな全体不確実性推定フレームワークを提案する。 目的は、シャープな局所的な精細化ノイズと、粗い割り当て障害の広い尾の両方を明示的に捕捉することである。 本稿では,粗い割当て成功の後方確率をソフト対応重みとして利用した幾何再構成モジュールである粗い割当て後補充法(CoRe)を提案する。 大規模実験により, 計算オーバーヘッドが最小限に抑えられた種々の事前学習済みのマッチング器とロバストな推定器で, 下流の幾何的精度を常に向上することが示された。 私たちのコードはhttps://github.com/khoavpt/probabilistic-matching.comで利用可能です。

関連論文リスト

• Exploiting weight-space symmetries for approximating curvature [39.60881703969561]
  本研究では,最新のディープネットワークの規模で損失関数の曲率を近似するフレームワークを開発する。 我々のフレームワークは、不確実性推定、連続学習、圧縮/プルーニングなど、他の機械学習問題にも応用できるかもしれない。
  論文  参考訳（メタデータ） (2026-05-30T00:17:36Z)
• Fitting Unknown Number of Hyperplanes with Manifold Optimization [57.48093263119306]
  未知数の線形平面をデータに適合させることは、機械学習の根本的な課題である。 既存のアプローチはしばしば最適な最適化に苦しむか、幾何的整合性に欠ける。
  論文  参考訳（メタデータ） (2026-05-27T14:02:20Z)
• SURE: Semi-dense Uncertainty-REfined Feature Matching [28.68008638977835]
  SUREは、一致と信頼を共同で予測する半密度不確実性再定義マッチングフレームワークである。 我々のアプローチは、軽量な空間融合モジュールとともに、信頼に値する座標回帰のための新しい明らかな頭部を軌道に乗せる。 提案手法は精度と効率の両面で既存の最先端のセミセンスマッチングモデルより一貫して優れている。
  論文  参考訳（メタデータ） (2026-03-05T06:53:11Z)
• Geometric Calibration and Neutral Zones for Uncertainty-Aware Multi-Class Classification [0.0]
  この研究は情報幾何学と統計的学習を橋渡しし、厳密な検証を必要とするアプリケーションにおいて不確実性を認識した分類の正式な保証を提供する。 アデノ関連ウイルスの分類に関する実証的な検証は、2段階のフレームワークが72.5%のエラーをキャプチャし、34.5%のサンプルを遅延させ、自動決定エラー率を16.8%から6.9%に下げていることを示している。
  論文  参考訳（メタデータ） (2025-11-26T01:29:49Z)
• Distributed Sketching for Randomized Optimization: Exact Characterization, Concentration and Lower Bounds [54.51566432934556]
  我々はヘシアンの形成が困難である問題に対する分散最適化法を検討する。 ランダム化されたスケッチを利用して、問題の次元を減らし、プライバシを保ち、非同期分散システムにおけるストラグラーレジリエンスを改善します。
  論文  参考訳（メタデータ） (2022-03-18T05:49:13Z)
• PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
  高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。 我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。 提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-09-28T17:56:41Z)
• Large-Scale Methods for Distributionally Robust Optimization [53.98643772533416]
  我々のアルゴリズムは、トレーニングセットのサイズとパラメータの数によらず、多くの評価勾配を必要とすることを証明している。 MNIST と ImageNet の実験により,本手法の 9-36 倍の効率性を持つアルゴリズムの理論的スケーリングが確認された。
  論文  参考訳（メタデータ） (2020-10-12T17:41:44Z)
• Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
  局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。 本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。 実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
  論文  参考訳（メタデータ） (2020-07-20T12:07:48Z)
• Optimal Change-Point Detection with Training Sequences in the Large and Moderate Deviations Regimes [72.68201611113673]
  本稿では,情報理論の観点から,新しいオフライン変化点検出問題について検討する。 基礎となる事前および変更後分布の知識は分かっておらず、利用可能なトレーニングシーケンスからのみ学習できると仮定する。
  論文  参考訳（メタデータ） (2020-03-13T23:39:40Z)

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。