論文の概要: Source-Agnostic Image Translation Based on Latent Aware Adaptive Masking

• arxiv url: http://arxiv.org/abs/2608.14046v1
• Date: Fri, 14 Aug 2026 07:51:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.309189
• Title: Source-Agnostic Image Translation Based on Latent Aware Adaptive Masking
• Title（参考訳）: 適応型マスキングに基づくソース非依存画像変換
• Abstract要約: 本稿では,逆拡散過程を通じて二項マスクを動的に洗練する情報源に依存しないフレームワークを提案する。 本手法では,経験的平均値と予測誤差の標準偏差から得られた時間依存統計的しきい値決定手法を提案する。 本手法は, 各種ソース分布の高精度かつ自動的ローカライゼーションとシームレスな翻訳を, 特別な訓練を伴わずに実現している。
• 参考スコア（独自算出の注目度）: 2.0673681624647844
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we propose a source-agnostic framework that dynamically refines a binary mask throughout the reverse diffusion process by computing the discrepancies of a pretrained diffusion model's prediction for each latent time step. Rather than relying on a fixed threshold, our method introduces a time-dependent statistical thresholding scheme derived from the empirical mean and standard deviation of prediction discrepancies across the latent noisy images from the target distribution. This allows the mask to adapt to the model's varying predictive confidence at different noise levels, effectively isolating domain-specific regions while preserving global structural coherence. Experimental results on the AFHQ and Celeba-HQ datasets demonstrate that our approach outperforms state-of-the-art unsupervised Image-to-Image methods in both realism (FID, KID) and faithfulness (SSIM, LPIPS). By requiring only a pretrained model of the target domain, our approach enables precise, automated localization and seamless translation across diverse source distributions without any specialized training. The project source code is available at: https://github.com/dtoma95/PM-Edit
• Abstract（参考訳）: 本研究では、遅延時間ステップ毎に事前学習した拡散モデルの予測の相違を計算し、逆拡散過程を通してバイナリマスクを動的に洗練するソース非依存のフレームワークを提案する。 固定しきい値に頼らず,実験平均と予測誤差の標準偏差に基づく時間依存統計的しきい値決定方式を導入する。 これにより、マスクは異なるノイズレベルにおけるモデルの様々な予測的信頼に適応し、グローバルな構造的コヒーレンスを維持しながら、ドメイン固有の領域を効果的に分離することができる。 AFHQとCeleba-HQのデータセットによる実験結果から,本手法は現実主義 (FID, KID) と忠実さ (SSIM, LPIPS) の両面において,最先端の教師なしイメージ・ツー・イメージ手法より優れていることが示された。 対象領域の事前学習モデルのみを必要とすることにより、特別な訓練をすることなく、様々なソース分布にまたがる正確な、自動化されたローカライゼーションとシームレスな翻訳を可能にする。 プロジェクトのソースコードは、https://github.com/dtoma95/PM-Editで入手できる。

関連論文リスト

• SymmAdapt: Symmetrical Flow Matching for Source-Free Domain Adaptation in Medical Image Segmentation [0.8717253904965373]
  ソースフリーなアン教師なしドメイン適応(SFUDA)は、センシティブなソースデータにアクセスすることなく、未ラベルのターゲットドメインに事前訓練されたモデルを適用する。 対称フローマッチングに基づく新しいSFUDAフレームワークを提案する。 腹部多臓器・心臓の分節,MRI->CTシフト,多部位前立腺分節について検討した。
  論文  参考訳（メタデータ） (2026-08-23T18:09:39Z)
• Reliable Source Approximation: Source-Free Unsupervised Domain Adaptation for Vestibular Schwannoma MRI Segmentation [38.529892690603006]
  Source-Free Unsupervised Domain Adaptation (SFUDA)は、最近、医療画像領域適応に焦点をあてている。 本稿では、ソースライクで構造保存された画像を対象領域から生成できるReliable Source Approximation (RSA)を提案する。 RSAは、他の最先端のSFUDAメソッドよりも一貫してドメイン適応性能を改善している。
  論文  参考訳（メタデータ） (2024-05-25T07:29:09Z)
• Align, Minimize and Diversify: A Source-Free Unsupervised Domain Adaptation Method for Handwritten Text Recognition [11.080302144256164]
  Align, Minimize and Diversify (AMD) は、手書き文字認識(HTR)のための非教師なし領域適応手法である。 本手法は,3つの異なる正規化項を組み込むことで,適応中のソースデータの再検討の必要性を明確に排除する。 いくつかのベンチマークによる実験の結果、AMDの有効性とロバスト性を示し、HTRにおけるDA法よりも競争力があり、しばしば優れていた。
  論文  参考訳（メタデータ） (2024-04-28T17:50:58Z)
• Continual-MAE: Adaptive Distribution Masked Autoencoders for Continual Test-Time Adaptation [49.827306773992376]
  連続的テスト時間適応(CTTA)は、ソース事前学習モデルから目標分布の連続的な変化に移行するために提案される。 提案手法は,CTTAタスクの分類とセグメンテーションの両方において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-19T15:34:52Z)
• Distributionally Robust Learning for Multi-source Unsupervised Domain Adaptation [9.359714425373616]
  対象ドメインの分布がソースドメインの分布と異なる場合、経験的リスクはよく機能しない。 我々は、複数のソースドメインからのラベル付きデータと対象ドメインからのラベルなしデータを活用する、教師なしのドメイン適応アプローチを開発する。
  論文  参考訳（メタデータ） (2023-09-05T13:19:40Z)
• Consistency Regularization for Generalizable Source-free Domain Adaptation [62.654883736925456]
  ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。 既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。 より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-03T07:45:53Z)
• Masked Images Are Counterfactual Samples for Robust Fine-tuning [77.82348472169335]
  微調整の深層学習モデルは、分布内(ID)性能と分布外(OOD)堅牢性の間のトレードオフにつながる可能性がある。 そこで本研究では,マスク付き画像を対物サンプルとして用いて,ファインチューニングモデルのロバスト性を向上させる新しいファインチューニング手法を提案する。
  論文  参考訳（メタデータ） (2023-03-06T11:51:28Z)
• DC4L: Distribution Shift Recovery via Data-Driven Control for Deep Learning Models [4.374569172244273]
  学習したモデルに対する制御を用いて、オンライン配信のシフトから回復することを提案する。 提案手法では, 学習セットにシフトしたデータを近づけるために, セマンティック保存変換のシーケンスを適用した。 本稿では,ImageNet-Cベンチマークからのシフトの合成に一般化し,平均精度を最大9.81%向上することを示す。
  論文  参考訳（メタデータ） (2023-02-20T22:06:26Z)
• Semantic Image Synthesis via Diffusion Models [174.24523061460704]
  Denoising Diffusion Probabilistic Models (DDPM) は様々な画像生成タスクにおいて顕著な成功を収めた。 セマンティック画像合成に関する最近の研究は、主に事実上のGANベースのアプローチに従っている。 意味画像合成のためのDDPMに基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-30T18:31:51Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Learning Calibrated Uncertainties for Domain Shift: A Distributionally Robust Learning Approach [150.8920602230832]
  ドメインシフトの下で校正された不確実性を学習するためのフレームワークを提案する。 特に、密度比推定は、ターゲット(テスト)サンプルの近さをソース(トレーニング)分布に反映する。 提案手法は下流タスクに有利な校正不確実性を生成する。
  論文  参考訳（メタデータ） (2020-10-08T02:10:54Z)

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。