論文の概要: TeaMatch: Teachable Cross-Modal Representation Learning for 2D-3D Matching

• arxiv url: http://arxiv.org/abs/2608.09590v1
• Date: Mon, 10 Aug 2026 13:24:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.287675
• Title: TeaMatch: Teachable Cross-Modal Representation Learning for 2D-3D Matching
• Title（参考訳）: TeaMatch: 2D-3DマッチングのためのTeachable Cross-Modal Representation Learning
• Abstract要約: TeaMatchは、クロスモーダルな表現学習の基準として、教育性を導入する新しいフレームワークである。 私たちのフレームワークは、追加の推論コストなしで、既存の粗大なマッチングパイプラインにシームレスに統合できます。
• 参考スコア（独自算出の注目度）: 3.911341147858216
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning reliable correspondences between images and point clouds is fundamental for 2D-3D matching. Despite recent progress in detection-free methods, existing approaches primarily optimize matching within a single model and often struggle to maintain reliable correspondences under challenging conditions such as noisy inputs, low overlap, and ambiguous structures. In this work, we propose TeaMatch, a novel framework that introduces teachability as a criterion for cross-modal representation learning. We define teachability as the ability of a representation to be effectively recovered by weak learners under degraded inputs, reflecting its structural consistency and robustness. To this end, we construct a set of task-specific weak students that simulate common failure modes and train them to imitate the teacher on a training split while evaluating their recoverability on a disjoint meta split. The teacher is then optimized to improve the students' ability to recover reliable correspondences, guided by correspondence-level and geometry-aware constraints. Our framework can be seamlessly integrated into existing coarse-to-fine matching pipelines without additional inference cost. Extensive experiments demonstrate that TeaMatch improves matching robustness and achieves state-of-the-art performance on challenging 2D-3D matching benchmarks.
• Abstract（参考訳）: 画像と点雲の信頼性の高い対応を学習することは、2D-3Dマッチングに不可欠である。 検出不要な手法の最近の進歩にもかかわらず、既存のアプローチは主に単一モデル内でのマッチングを最適化し、ノイズの多い入力、低い重複、あいまいな構造といった困難な条件下で信頼性の高い対応を維持するのに苦労する。 本研究では,クロスモーダル表現学習の基準として授業可能性を導入する新しいフレームワークであるTeaMatchを提案する。 本研究では, 学習者の学習能力の低下を反映し, その構造的一貫性と頑健さを反映して, 学習者の学習力の低下を効果的に回復する能力として, 教育可能性を定義した。 そこで本研究では,共通障害モードを模擬したタスク固有の弱い学生の集合を構築し,教師を訓練分割時に模倣するように訓練し,その回復性を評価した。 教師は、通信レベルの制約と幾何学的制約によって指導された、信頼性の高い通信を回復する能力を改善するために最適化される。 私たちのフレームワークは、追加の推論コストなしで、既存の粗大なマッチングパイプラインにシームレスに統合できます。 大規模な実験により、TeaMatchはマッチングの堅牢性を改善し、挑戦的な2D-3Dマッチングベンチマークで最先端のパフォーマンスを達成することが示された。

関連論文リスト

• ConeSep: Cone-based Robust Noise-Unlearning Compositional Network for Composed Image Retrieval [60.051600134831226]
  本稿では,アノテーションによるノイズトリプル対応 (NTC) 問題を系統的に検討する。 我々は,これらの課題に対処するために,コーンベースのrobuSt noisE-unlearning comPositional network (ConeSep)を提案する。
  論文  参考訳（メタデータ） (2026-04-22T08:59:21Z)
• TRiCo: Triadic Game-Theoretic Co-Training for Robust Semi-Supervised Learning [15.638836465479619]
  TRiCoは、半教師付き学習の構造を再考する、三進的ゲーム理論の共同学習フレームワークである。 既存のSSLフレームワークにおける重要な制限に対処することによって、TRiCoは原則付き、一般化可能なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-25T20:10:41Z)
• Match me if you can: Semi-Supervised Semantic Correspondence Learning with Unpaired Images [76.47980643420375]
  本稿では,意味的対応の学習に固有のデータ・ハングリー・マターが存在するという仮説に基づく。 我々は,機械の監督を通じて,ペア化されたキーポイントを確実に強化する単純な機械注釈器を実証する。 我々のモデルは,SPair-71k,PF-PASCAL,PF-WILLOWといった意味対応学習ベンチマークの最先端モデルを上回る。
  論文  参考訳（メタデータ） (2023-11-30T13:22:15Z)
• Q-REG: End-to-End Trainable Point Cloud Registration with Surface Curvature [81.25511385257344]
  本稿では、リッチな幾何学的情報を用いて、単一の対応から剛性ポーズを推定する新しい解Q-REGを提案する。 Q-REGは、堅牢な推定を徹底的な探索として形式化し、エンドツーエンドのトレーニングを可能にする。 実験では、Q-REGは対応マッチング法に非依存であり、推論とエンドツーエンドトレーニングの両方で使用した場合に一貫した改善を提供する。
  論文  参考訳（メタデータ） (2023-09-27T20:58:53Z)
• Noisy-Correspondence Learning for Text-to-Image Person Re-identification [50.07634676709067]
  本稿では,雑音対応においても頑健な視覚関係を学習するための新しいロバスト二重埋め込み法(RDE)を提案する。 提案手法は,3つのデータセット上での合成ノイズ対応と非合成ノイズ対応を両立させる。
  論文  参考訳（メタデータ） (2023-08-19T05:34:13Z)
• Understanding and Constructing Latent Modality Structures in Multi-modal Representation Learning [53.68371566336254]
  優れたパフォーマンスの鍵は、完全なモダリティアライメントではなく、有意義な潜在モダリティ構造にある、と我々は主張する。 具体的には,1)モダリティ内正規化のための深い特徴分離損失,2)モダリティ間正規化のためのブラウン橋損失,3)モダリティ内正規化およびモダリティ間正規化のための幾何学的整合損失を設計する。
  論文  参考訳（メタデータ） (2023-03-10T14:38:49Z)
• SRFeat: Learning Locally Accurate and Globally Consistent Non-Rigid Shape Correspondence [36.44119664239748]
  比較学習の局所的精度と幾何学的アプローチのグローバルな整合性を組み合わせた学習ベースのフレームワークを提案する。 本フレームワークは汎用的であり,3次元領域と2次元領域の両方における局所的特徴学習に適用可能である。
  論文  参考訳（メタデータ） (2022-09-16T09:11:12Z)
• PointACL:Adversarial Contrastive Learning for Robust Point Clouds Representation under Adversarial Attack [73.3371797787823]
  逆比較学習(Adversarial contrastive learning, ACL)は、事前学習されたモデルの堅牢性を改善する効果的な方法と考えられている。 本稿では,自己指導型コントラスト学習フレームワークを逆向きに学習するために,ロバストな認識損失関数を提案する。 提案手法であるPointACLを,複数のデータセットを用いた3次元分類と3次元分割を含む下流タスクで検証する。
  論文  参考訳（メタデータ） (2022-09-14T22:58:31Z)
• S2DNet: Learning Accurate Correspondences for Sparse-to-Dense Feature Matching [36.48376198922595]
  S2DNetは、堅牢で正確な対応を確立するために設計、訓練された新しい特徴マッチングパイプラインである。 我々は,S2DNetがHPatchesベンチマークおよび複数の長期視覚的ローカライゼーションデータセットの最先端結果を達成することを示す。
  論文  参考訳（メタデータ） (2020-04-03T17:04:34Z)

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。