論文の概要: Primate vision reveals a missing principle for robust dynamic AI

• arxiv url: http://arxiv.org/abs/2608.23790v1
• Date: Mon, 24 Aug 2026 19:38:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.570125
• Title: Primate vision reveals a missing principle for robust dynamic AI
• Title（参考訳）: プライメートビジョンは、堅牢な動的AIに欠けている原則を明らかにする
• Abstract要約: 我々は、マカケ下側頭皮質における人間の知覚と神経活動と、画像とビデオに基づくニューラルネットワークの表現とを比較した。 我々は、頑健な動的視覚の原理として、物体表現への動きの漸進的な統合を見出した。
• 参考スコア（独自算出の注目度）: 9.82700229401299
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: How does an intelligent visual system combine what objects look like with how they move while remaining robust as appearance changes? We addressed this question by comparing human perception and neural activity in macaque inferior temporal cortex with representations from image- and video-based neural networks spanning recognition, segmentation, optic-flow processing and predictive world modeling. Temporal integration improved object representations, but most video recognition models generalized poorly when appearance was disrupted while motion structure was preserved. Humans and macaque IT remained robust. Notably, predictive world models combined strong cross-appearance generalization with the closest correspondence to IT, outperforming other video-modeling approaches in neural fidelity. Yet no model reproduced the cortical transformation from early appearance-dominated responses toward later appearance-invariant motion coding. These results identify progressive integration of motion into object representations as a principle of robust dynamic vision and implicate predictive learning as a promising route toward realizing this computation in artificial systems.
• Abstract（参考訳）: インテリジェントな視覚システムは、外見が変わるにつれて頑丈さを維持しながら、オブジェクトがどのように見えるかと、どのように組み合わせるのでしょう? 我々は,ヒトの知覚と視床下側頭皮質の神経活動と,認識,セグメンテーション,オプティカルフロー処理,予測世界モデリングを対象とする画像およびビデオベースニューラルネットワークの表現とを比較して,この問題に対処した。 時間統合によりオブジェクト表現が改善されたが、ほとんどのビデオ認識モデルは、動き構造が保存されている間に外観が乱れたときに一般化が不十分であった。 人間とマカクのITは堅固だった。 特に、予測的世界モデルは、強い対面一般化とITとの最も近い対応を組み合わせ、ニューラルフィデリティにおける他のビデオモデリングアプローチよりも優れている。 しかし、初期の外見優先応答から後の外見不変の運動符号化への皮質変換を再現するモデルはない。 これらの結果は、頑健な動的視覚の原理として物体表現への動きの漸進的な統合を特定し、この計算を人工システムで実現するための有望な経路として予測学習を示唆する。

関連論文リスト

• Self-Supervised Learning of Structured Dynamics from Videos [76.23834498074805]
  予め訓練した画像ビジョン変換器の凍結した特徴から、構造化された動き表現を復元できるかどうかを検討する。 本研究では、時間変化の主源を残留力学から明確に分離する構造ダイナミクスモデル(SDM)を提案する。 ProbeMotionのSDMは、カメラモーション、オブジェクトモーション、複合ダイナミクスを備えた合成ビデオと実ビデオにまたがる新しい評価スイートである。
  論文  参考訳（メタデータ） (2026-07-23T17:55:07Z)
• Native Video-Action Pretraining for Generalizable Robot Control [77.59831077077176]
  LingBot-VA 2.0は、エンボディメントのためにゼロから構築されたビデオアクション基盤モデルである。 高周波推論の要求を満たすため,本モデルは疎いMOEバックボーンを用いる。 現実のデプロイメントは、堅牢な基盤モデルとしてLingBot-VA 2.0を検証する。
  論文  参考訳（メタデータ） (2026-07-09T16:15:43Z)
• Tempered Self-Similarity Alignment for Physically Plausible Video Generation [83.40337664171939]
  自己相似性損失は確率的対応に変化し、映像生成モデルを動的に変化する領域の視覚基盤モデルと対応付けるよう訓練する。 本手法は,映像生成における関係知識の伝達の有効性を検証し,多種多様な相互作用シナリオにおける物理的妥当性の大幅な向上を示す。
  論文  参考訳（メタデータ） (2026-05-24T09:28:05Z)
• GenMatter: Perceiving Physical Objects with Generative Matter Models [50.121713214509604]
  人間は、独立して移動可能な物質塊を構成する移動体をしっかりと分断する。 既存のコンピュータビジョンシステムは、様々な設定で機能する統一されたアプローチを欠いている。 階層的に低レベルの運動キューと高レベルの外観特徴を粒子にグループ化する生成モデルを提案する。
  論文  参考訳（メタデータ） (2026-04-24T02:18:18Z)
• Do vision models perceive illusory motion in static images like humans? [2.1349209400003932]
  ディープニューラルネットワーク(DNN)は、光学的フロー推定において高い性能を達成するが、人間よりも堅牢性は低い。 視覚運動錯覚はこれらのメカニズムに強力なプローブを与え、人間と機械の視覚がどのように整列するか、あるいは分岐するかを明らかにする。 回転するスネークス上での代表的な光フローモデルを評価し,人間の知覚に整合した流れ場の生成に失敗することが多いことを示す。
  論文  参考訳（メタデータ） (2026-04-10T19:33:33Z)
• Puppeteer: Rig and Animate Your 3D Models [105.11046762553121]
  Puppeteerは、さまざまな3Dオブジェクトの自動リギングとアニメーションの両方に対処する包括的なフレームワークである。 本システムはまず, 自己回帰変換器を用いて, 可塑性骨格構造を推定する。 その後、注意に基づくアーキテクチャにより、皮膚の重量を推定する。
  論文  参考訳（メタデータ） (2025-08-14T17:59:31Z)
• Zero-Shot Visual Generalization in Robot Manipulation [0.13280779791485384]
  現在のアプローチは、しばしば点雲や深さのような不変表現に頼ることで問題を横取りする。 ディアングル型表現学習は、視覚的分布シフトに対して、視覚に基づく強化学習ポリシーを堅牢化できることを最近示した。 シミュレーションおよび実ハードウェア上での視覚摂動に対するゼロショット適応性を示す。
  論文  参考訳（メタデータ） (2025-05-16T22:01:46Z)
• InterDyn: Controllable Interactive Dynamics with Video Diffusion Models [50.38647583839384]
  我々は、初期フレームと駆動対象またはアクターの動作を符号化する制御信号が与えられたインタラクティブな動画像を生成するフレームワークであるInterDynを提案する。 我々の重要な洞察は、大規模なビデオ生成モデルは、大規模ビデオデータからインタラクティブなダイナミクスを学習し、ニューラルと暗黙の物理シミュレーターの両方として機能できるということです。
  論文  参考訳（メタデータ） (2024-12-16T13:57:02Z)
• Modelling Human Visual Motion Processing with Trainable Motion Energy Sensing and a Self-attention Network [1.9458156037869137]
  本稿では,生体とコンピュータの視覚モデルとのギャップを埋めることで,人間の動作知覚のイメージ計算可能なモデルを提案する。 このモデルアーキテクチャは、生体視覚システムにおける運動知覚のコア構造であるV1-MTの計算を捉えることを目的としている。 サイリコ神経生理学では、我々のモデルの単位応答は、運動プーリングやスピードチューニングに関する哺乳類の神経記録に類似していることが明らかになっている。
  論文  参考訳（メタデータ） (2023-05-16T04:16:07Z)
• Reconstruction-guided attention improves the robustness and shape processing of neural networks [5.156484100374057]
  オブジェクト再構成を生成する反復エンコーダデコーダネットワークを構築し,トップダウンの注目フィードバックとして利用する。 本モデルでは,様々な画像摂動に対して強い一般化性能を示す。 本研究は、再構成に基づくフィードバックのモデリングが、強力な注意機構を持つAIシステムを実現することを示す。
  論文  参考訳（メタデータ） (2022-09-27T18:32:22Z)
• Human Eyes Inspired Recurrent Neural Networks are More Robust Against Adversarial Noises [7.689542442882423]
  我々は人間の脳にインスパイアされたデュアルストリーム視覚モデルを設計した。 このモデルは網膜のような入力層を特徴とし、次の焦点(固定点)を決定する2つのストリームと、固定点を取り巻く視覚を解釈する2つのストリームを含む。 このモデルを,物体認識,視線行動,対向強靭性の観点から評価した。
  論文  参考訳（メタデータ） (2022-06-15T03:44:42Z)
• Learning Motion-Dependent Appearance for High-Fidelity Rendering of Dynamic Humans from a Single Camera [49.357174195542854]
  外観のダイナミクスを学ぶ上で重要な課題は、違法に大量の観測を必要とすることである。 本手法は,1つの視点映像から,身体のポーズや新しいビューを時間的に協調的に生成できることを示す。
  論文  参考訳（メタデータ） (2022-03-24T00:22:03Z)

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。