論文の概要: Text-Guided Visual Dependency Graph Learning with Cross-Modal Attention Priors

• arxiv url: http://arxiv.org/abs/2608.21443v1
• Date: Wed, 19 Aug 2026 09:57:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.107919
• Title: Text-Guided Visual Dependency Graph Learning with Cross-Modal Attention Priors
• Title（参考訳）: クロスモーダルアテンションプリミティブを用いたテキストガイド型ビジュアル依存グラフ学習
• Abstract要約: 本稿では,視覚言語表現学習とスパースガウスモデルを橋渡しするフレームワークであるCM-GLassoを提案する。 CM-GLassoは、画像としてクラス属性記述を描画して処理するテキスト視覚化戦略(i)、天然画像としてSigLIP-2ビジョンエンコーダ(ii)、高次元パッチを小さなセマンティックグラフノードに凝縮するクロスアテンション蒸留機構(ii)、共有およびクラス固有精度コンポーネントを単一の凸対象内で推定する共同ADMM定式化(iii)、の3つの主要なコンポーネントを導入している。
• 参考スコア（独自算出の注目度）: 11.338098263634537
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating interpretable conditional-dependence structures from multimodal visual-linguistic features remains largely unexplored. We propose CM-GLasso (Cross-Modal Graphical Lasso), a framework that bridges vision-language representation learning and sparse Gaussian Graphical Models. CM-GLasso introduces three key components: (i) a text visualization strategy that renders class-attribute descriptions as images and processes them through the same SigLIP-2 vision encoder as natural images, yielding prototype-indexed patch-level attention footprints in a shared feature coordinate system; (ii) a cross-attention distillation mechanism that condenses high-dimensional patches into a small set of semantic graph nodes, whose attention-footprint similarities yield cross-modal structural priors for non-uniform L1 penalization; (iii) a joint ADMM formulation that estimates shared and class-specific precision components within a single convex objective, avoiding the need to first estimate and then decompose separate class-wise graphs. The learned sparse graph topologies directly support a parameter-free, precision-based classification rule and a lightweight topology-aware segmentation head. Extensive experiments on eight benchmarks demonstrate that CM-GLasso achieves competitive or superior performance compared with strong feature-based and task-specific baselines. Under the matched controlled protocol, it attains the highest average classification accuracy (91.97%) and the highest segmentation mIoU among the controlled baselines on VOC (74.75%) and ADE20K (64.01%), while also yielding explicit sparse conditional-dependence graphs with common-specific decomposition.
• Abstract（参考訳）: 多モーダルな視覚言語的特徴から解釈可能な条件依存構造を推定することは、ほとんど探索されていない。 本稿では,視覚言語表現学習とスパースガウス図形モデルを橋渡しするフレームワークであるCM-GLasso(Cross-Modal Graphical Lasso)を提案する。 CM-GLassoは3つの重要なコンポーネントを導入している。 一 画像としてクラス属性記述を描画し、自然画像として同一のSigLIP-2視覚エンコーダで処理し、共有特徴座標系において、プロトタイプインデクシングされたパッチレベルの注目フットプリントを得るテキスト可視化戦略 (ii)高次元パッチを小さなセマンティックグラフノードの集合に凝縮する断熱蒸留機構であって、非一様L1のペナル化に対して、注目フットプリントの類似性がクロスモーダルな構造的先行性をもたらすものである。 3)1つの凸対象内の共有およびクラス固有の精度成分を推定する共同ADMMの定式化で、まず第一に推定し、次に個別のクラスワイドグラフを分解する必要がない。 学習されたスパースグラフトポロジはパラメータフリーで精度の高い分類規則と軽量なトポロジ対応セグメンテーションヘッドを直接サポートする。 8つのベンチマークでの大規模な実験は、CM-GLassoが強力な機能ベースとタスク固有のベースラインと比較して、競争力または優れたパフォーマンスを達成することを示した。 一致した制御プロトコルの下では、VOC (74.75%) とADE20K (64.01%) の制御ベースラインの中で、平均的な分類精度 (91.97%) と最高セグメンテーションmIoU (64.01%) を達成し、また、共通特異的分解を伴う明示的なスパース条件依存グラフを生成する。

関連論文リスト

• Integrating Implicit and Explicit Relational Biases through Graph-Based Multiple Instance Learning: A Case Study in Skin Lesion Diagnosis [0.0]
  本研究では、画像分類のための二重レベルフレームワークについて検討する。 暗黙の表現学習と明示的な構造モデリングのギャップを埋める。 実験結果から,暗黙的なインターパッチモデリングと明示的なグラフベースのメッセージを組み合わせることで,最良の結果が得られることがわかった。
  論文  参考訳（メタデータ） (2026-08-06T13:47:18Z)
• Multimodal Structure Learning: Disentangling Shared and Specific Topology via Cross-Modal Graphical Lasso [12.238577096609761]
  解釈可能なマルチモーダル表現を学習するためのCross-Modal Graphical Lasso(CM-GLasso)を提案する。 新たなテキスト視覚化戦略と統合された視覚言語エンコーダを結合することにより、マルチモーダルな特徴を共有潜在空間に厳密に整列する。 CM-GLassoは、生成的分類と密接なセマンティックセグメンテーションタスクにおいて、新しい最先端技術を確立していることを示す。
  論文  参考訳（メタデータ） (2026-04-05T04:07:59Z)
• CrossHGL: A Text-Free Foundation Model for Cross-Domain Heterogeneous Graph Learning [18.84875776859183]
  CrossHGLは、異種グラフを均質化し、相互作用セマンティクスをエッジ特徴にエンコードする意味保存変換戦略である。 Tri-Prompt機構を備えたプロンプト対応のマルチドメイン事前トレーニングフレームワークは、機能、エッジ、構造の観点から伝達可能な知識をキャプチャする。 ノードレベルのタスクとグラフレベルのタスクの実験は、CrossHGLが一貫して最先端のベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2026-03-29T13:17:15Z)
• GLASS: Graph and Vision-Language Assisted Semantic Shape Correspondence [16.503835991826367]
  GLASSは、幾何学的スペクトル分析と、視覚言語基礎モデルからのリッチなセマンティック先行情報を統合することでギャップを埋めるフレームワークである。 i) 強力なビジョン基盤モデルから堅牢な多視点視覚特徴抽出を可能にするビュー一貫性戦略。 クラス間ベンチマークSMALと非等尺ベンチマークSMALとTOPKIDSの平均測地誤差は0.21、4.5、および5.6であり、それぞれ0.49、6.0、8.9のURSSMベースラインからの誤差を57%、25%、および37%削減している。
  論文  参考訳（メタデータ） (2026-03-08T14:33:50Z)
• Chart Specification: Structural Representations for Incentivizing VLM Reasoning in Chart-to-Code Generation [11.18352269863283]
  VLM(Vision-Language Models)は、チャート画像からプロットコードを生成することを約束している。 既存のアプローチは、主に監督された微調整と表面レベルのトークンの模倣に頼っている。 本稿では,テキストの模倣から意味的に根ざした監督へトレーニングを移行させる構造化中間表現であるChart Specificationを提案する。
  論文  参考訳（メタデータ） (2026-02-11T14:08:06Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• Affinity-Graph-Guided Contractive Learning for Pretext-Free Medical Image Segmentation with Minimal Annotation [55.325956390997]
  本稿では,医用画像セグメンテーションのための親和性グラフ誘導半教師付きコントラスト学習フレームワーク(Semi-AGCL)を提案する。 このフレームワークは、まず、ロバストな初期特徴空間を提供する平均パッチエントロピー駆動のパッチ間サンプリング法を設計する。 完全アノテーションセットの10%に過ぎず, 完全注釈付きベースラインの精度にアプローチし, 限界偏差は2.52%に過ぎなかった。
  論文  参考訳（メタデータ） (2024-10-14T10:44:47Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
  グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。 モデルはGCNを適用するために初期グラフを事前に推定する。 一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
  論文  参考訳（メタデータ） (2024-02-25T07:03:37Z)
• Stacked Hybrid-Attention and Group Collaborative Learning for Unbiased Scene Graph Generation [62.96628432641806]
  Scene Graph Generationは、まず与えられた画像内の視覚的コンテンツをエンコードし、次にそれらをコンパクトな要約グラフに解析することを目的としている。 まず,モーダル内改良とモーダル間相互作用を容易にする新しいスタック型ハイブリッド・アテンションネットワークを提案する。 次に、デコーダを最適化するための革新的なグループ協調学習戦略を考案する。
  論文  参考訳（メタデータ） (2022-03-18T09:14:13Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)

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。