論文の概要: Self-Supervised Topologically Invariant Manifold Learning for Railway Image Quality Assessment

• arxiv url: http://arxiv.org/abs/2608.15217v1
• Date: Sat, 15 Aug 2026 13:08:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.233052
• Title: Self-Supervised Topologically Invariant Manifold Learning for Railway Image Quality Assessment
• Title（参考訳）: 鉄道画像品質評価のための自己監督型トポロジカル不変マニフォールド学習
• Abstract要約: 既存のブラインド画像品質評価法(BIQA)は、実世界の領域における一般化を制限する合成主観的アノテーションに依存している。 境界制約下での位相不変多様体学習に基づく完全自己教師付きBIQAフレームワークを提案する。 我々のフレームワークは標準の合成およびワイルドベンチマークで優れたゼロショット転送性を確保できることを示す。
• 参考スコア（独自算出の注目度）: 20.081901964453074
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing blind image quality assessment (BIQA) methods typically rely on synthetic distortions and subjective annotations, limiting generalization in real-world domains. To address this, we propose a fully self-supervised BIQA framework based on topologically invariant manifold learning under boundary constraints, which constructs a stable quality reference without manual labels. The framework generates progressive background dilution scales via repeated random cropping around each target; exploiting the monotonic degradation of target information density across these scales, it establishes a self-constrained quality manifold. A linearized spatial moment projection eliminates geometric distortions from random cropping; then a monotonicity divergence filter prunes background-sensitive evaluators, isolating an elite pool \(\mathcal{M}_{\text{elite}}\). A robust M-estimator with a principal component stabilizer fuses the metrics into an asymptotically efficient pseudo-ground truth \(q_{\text{PGT}}\), contracting variance toward the Cramér-Rao lower bound. Extensive evaluations demonstrate that the elite evaluator pool, distilled from 11 baseline metrics, secures superior zero-shot transferability across standard synthetic and wild benchmarks (CSIQ, LIVEC, LIVE-2). Concurrently, deployments on the CQU Railway Rolling Stock Surveillance Dataset (2,797 images) yield a manifold cosine similarity \(>0.999\) and a 100.0\% survival rate under industrial extreme stresses, robustly validating its cross-paradigm decoupling and topological resilience.
• Abstract（参考訳）: 既存のブラインド画像品質評価法(BIQA)は一般的に、実世界の領域における一般化を制限する合成歪みや主観的アノテーションに依存している。 そこで本稿では,境界制約下での位相不変多様体学習に基づく完全自己教師型BIQAフレームワークを提案する。 このフレームワークは、各ターゲットに対して繰り返しランダムなトリミングによって進行的背景希釈スケールを生成し、これらのスケールにわたるターゲット情報密度の単調な劣化を利用して、自己拘束された品質多様体を確立する。 線形化された空間モーメントプロジェクションは、ランダムな収穫から幾何学的歪みを排除し、単調分散フィルタは背景感性評価器をプルーナスし、エリートプール \(\mathcal{M}_{\text{elite}}\) を分離する。 主成分安定化器を持つロバストなM-推定器は、この指標を漸近的に効率的な擬似基底真理 \(q_{\text{PGT}}\) に融合し、クラメル・ラオの下界への分散を縮小する。 11基の基準値から抽出したエリート評価器プールは、標準合成および野生のベンチマーク(CSIQ, LIVEC, LIVE-2)で優れたゼロショット転送性を確保する。 同時に、CQU鉄道車両監視データセット(2,797画像)への展開は、工業的極端応力下での多様体コサイン類似度 \(>0.999\) と100.0\% の生存率をもたらし、そのクロスパラダイムデカップリングとトポロジカルレジリエンスを確実に検証する。

関連論文リスト

• Finite-Sample Metric Non-Collapse for Geometrically Supervised Latent World Models in Control [0.0]
  非線形決定論系の幾何学的教師付き潜在モデルに対する有限サンプル学習制御理論を確立する。 本稿では,方向分解能と分離状態判別を強制するエンコーダのみの局所的計量ヒンジを提案する。 モジュラー決定論は、学習した証明書を軌跡、有限水平コスト、学習コストヘッド、および論理的保証に転送する一方、検証された有限ネットの結果は、よりシャープなモデル固有の認証を可能にする。
  論文  参考訳（メタデータ） (2026-08-07T14:25:33Z)
• Need We Teach Foundation Models What is a Generative Image? Gradient-Free Generative Artifact Detection via Analytic Spectral Adaptation [3.881211374324378]
  勾配ベースの更新による生成成果物の検出に基礎モデルを適用することで、本質的な表現が損なわれる。 本稿では,二分分類から外分布(OOD)異常測定問題への検出を緩和する勾配のない手法を提案する。
  論文  参考訳（メタデータ） (2026-06-03T13:04:23Z)
• AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
  AnchorMoEは、解釈可能な構成別分類フレームワークである。 ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。 実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-06-02T13:30:54Z)
• Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
  Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。 NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
  論文  参考訳（メタデータ） (2026-05-21T16:45:31Z)
• MoASE++: Mixture of Activation Sparsity Experts with Domain-Adaptive On-policy Distillation for Continual Test Time Adaptation [65.068801413044]
  連続的なテスト時間適応は、非定常な未ラベルのターゲットストリームにソース予測モデルを適用する。 ドメインに依存しない構造をドメイン固有のテクスチャから切り離す。
  論文  参考訳（メタデータ） (2026-05-18T01:52:12Z)
• Provable Sparse Inversion and Token Relabel Enhanced One-shot Federated Learning with ViTs [77.42033827176806]
  ワンショットフェデレートラーニング(One-Shot Federated Learning)は、単一のコミュニケーションラウンドでグローバルモデルを学ぶ中央サーバが、有望なパラダイムとして登場したものだ。 本稿では,合成画像の全パッチをフル活用してグローバルモデルをトレーニングする,新しいフェデレーションモデルインバージョンとトークンリラベルフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-11T15:49:08Z)
• Architecture-agnostic Lipschitz-constant Bayesian header and its application to resolve semantically proximal classification errors with vision transformers [0.0]
  この研究は、アーキテクチャに依存しないリプシッツ・コンスタント・ベイジアンヘッダを示し、視覚変換器のような特徴抽出器に統合することができる。 また,不確実性と不確かさを誤分類率で捉えるための新しい指標と,適応型算術・平均融合方式を提案する。 モンテカルロサンプリングにより計算コストは上昇するが、事前に訓練されたバックボーンとのプラグ・アンド・プレイの互換性を提供する。
  論文  参考訳（メタデータ） (2026-05-07T09:18:06Z)
• Importance-Guided Basis Selection for Low-Rank Decomposition of Large Language Models [9.690793619550654]
  本稿では,BSI(Basis Selection with Importance)について紹介する。 我々は,Hutchinsonランダム化探索法を適用し,対称なパラメータ摂動による曲率の減少に適応して,効率的なヘシアン対角推定器を開発した。 本稿では, ベースプルーニングによる損失増加境界, ヘッセン対角線推定誤差のこれらの境界への明示的伝播, ヘッセンスペクトルに関連付けられた分散特性, 目標推定精度を達成するための高確率サンプル-複雑度保証, 摂動強度のガイダンスなど, 包括的な理論的解析を行う。
  論文  参考訳（メタデータ） (2026-05-02T22:35:02Z)
• Too Correct to Learn: Reinforcement Learning on Saturated Reasoning Data [55.84428098924793]
  構造保存探索を行うためのパラメータ自由復号法である Constrained Uniform Top-K Smpling (CUTS) を提案する。 グループ内の利点分散を増幅するために、エクスプロイトと探索的なロールアウトを相乗化するためのトレーニングフレームワークであるMixed-CUTSに統合する。 特にMixed-CUTSは、AIME25ベンチマークのPass@1の精度を標準のGRPOよりも15.1%向上している。
  論文  参考訳（メタデータ） (2026-04-20T16:43:28Z)
• Improving Search Agent with One Line of Code [68.58667107354253]
  ツールベースのエージェント強化学習(TARL)は,検索エージェントが外部ツールと対話できるようにトレーニングするための,有望なパラダイムとして登場した。 textbfSearch textbfAgent textbfPolicy textbfOptimization (textbfSAPO)を提案する。
  論文  参考訳（メタデータ） (2026-03-10T04:07:39Z)
• Latent Sculpting for Zero-Shot Generalization: A Manifold Learning Approach to Out-of-Distribution Anomaly Detection [2.8547732086436306]
  教師付きディープラーニングの基本的限界は「一般化崩壊」である 階層型2段階表現学習フレームワークであるLatent Sculptingを提案する。 我々は「浸潤」のシナリオについて88.89%の検知率を報告した。
  論文  参考訳（メタデータ） (2025-12-19T11:37:02Z)

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。