論文の概要: Image Difference Quantification Using Autoencoder-Based Latent Representations
- arxiv url: http://arxiv.org/abs/2608.24782v1
- Date: Tue, 25 Aug 2026 16:23:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:35.103719
- Title: Image Difference Quantification Using Autoencoder-Based Latent Representations
- Title（参考訳）: オートエンコーダに基づく潜在表現を用いた画像差分定量化
- Abstract要約: 本稿では,潜在空間におけるコサイン類似性を用いて画像差分を定量化するための畳み込みオートエンコーダに基づくフレームワークを提案する。
提案手法は,従来の画素ベースの類似度指標に代えて,計算効率が高く,セマンティックに基礎を置いている。
- 参考スコア（独自算出の注目度）: 0.5352699766206808
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traditional image similarity metrics such as Mean Squared Error (MSE), Peak Signal-to-Noise Ratio (PSNR), and the Structural Similarity Index Measure (SSIM) rely on pixel-level comparisons and often fail to capture perceptually meaningful differences between images. In contrast, latent representations learned by deep neural networks encode high-level semantic information that is more closely aligned with human visual perception. This paper proposes a convolutional autoencoder-based framework for quantifying image differences using cosine similarity in latent space. The learned compact embeddings enable robust differentiation between visually distinct images under variations in illumination, pose, and background. Extensive evaluation on dog-cat images and additional cross-domain datasets demonstrates clear class-wise clustering and strong inter-class separability in the latent space, with 98.4% of dog-cat image pairs exhibiting similarity scores below 0.5. Further validation using the TID2013 dataset shows that latent-space distance correlates positively with human Mean Opinion Scores (MOS), demonstrating sensitivity to perceptually relevant image distortions. The proposed approach provides a computationally efficient and semantically grounded alternative to conventional pixel-based similarity metrics, with potential applications in content-based retrieval, perceptual quality assessment, and semantic similarity analysis.
- Abstract（参考訳）: Mean Squared Error (MSE)、Peak Signal-to-Noise Ratio (PSNR)、Structure similarity Index Measure (SSIM)といった従来の画像類似度指標はピクセルレベルの比較に依存しており、画像間の知覚的に意味のある違いを捉えることができないことが多い。
対照的に、ディープニューラルネットワークによって学習された潜在表現は、人間の視覚知覚とより密に一致した高レベルの意味情報を符号化する。
本稿では,潜在空間におけるコサイン類似性を用いて画像差分を定量化するための畳み込みオートエンコーダに基づくフレームワークを提案する。
学習されたコンパクトな埋め込みは、照明、ポーズ、背景のバリエーションの下で視覚的に異なる画像間の堅牢な分化を可能にする。
ドッグキャット画像と追加のクロスドメインデータセットの広範囲な評価は、クラスワイドクラスタリングと、潜在空間における強いクラス間セパビリティを示し、犬のキャット画像ペアの98.4%が0.5未満の類似点を示している。
TID2013データセットを用いたさらなる検証では、潜在空間距離は人間の平均オピニオンスコア(MOS)と正の相関を示し、知覚的画像歪みに対する感受性を示す。
提案手法は,従来の画素ベースの類似度尺度に代えて,計算的に効率的でセマンティックに基礎を置き,コンテンツベースの検索,知覚的品質評価,意味的類似度分析に潜在的な応用をもたらす。
関連論文リスト
- The Many Senses of Visual Similarity: A Text-Prompted Image Perceptual Metric [78.74729751232852]
画像三重項に対する人間の類似性判定の大規模データセットを提案する。
視覚言語モデルを微調整して,テキストプロンプト画像の知覚的類似度測定値を生成する。
TPIPSは人間の知覚とより密接に一致し、トレーニング分布を超えて確実に一般化する。
論文 参考訳（メタデータ） (2026-07-20T17:59:51Z) - Structured Uncertainty Similarity Score (SUSS): Learning a Probabilistic, Interpretable, Perceptual Metric Between Images [3.1296300934639327]
人間の視覚と一致した知覚的類似度スコアは、コンピュータビジョンモデルのトレーニングと評価の両方に不可欠である。
SUSS (Structured Uncertainity similarity Score) を導入し、知覚コンポーネントの集合を通して各イメージをモデル化する。
最終的なスコアは、人間の知覚データセットから学んだ重み付きコンポーネントログ確率の重み付き総和である。
論文 参考訳（メタデータ） (2025-12-03T11:48:59Z) - Benchmarking Image Similarity Metrics for Novel View Synthesis Applications [0.2094057281590807]
本研究では,新しい知覚的類似度尺度DreamSimの有効性を評価する。
画像類似度指標の感度と識別力を定量化するために, 人工的に劣化した画像のコーパスを作成する。
論文 参考訳（メタデータ） (2025-06-14T16:21:58Z) - DiffSim: Taming Diffusion Models for Evaluating Visual Similarity [19.989551230170584]
本稿では,生成モデルにおける視覚的類似度を測定するDiffSim法を提案する。
Denoising U-Netの注目層に特徴を合わせることで、DiffSimは外観とスタイルの類似性の両方を評価する。
また,Sref と IP ベンチマークを導入し,視覚的類似性の評価を行った。
論文 参考訳（メタデータ） (2024-12-19T07:00:03Z) - Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。
本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。
本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2023-09-01T11:15:50Z) - Probabilistic Deep Metric Learning for Hyperspectral Image
Classification [91.5747859691553]
本稿では,ハイパースペクトル画像分類のための確率論的深度学習フレームワークを提案する。
ハイパースペクトルセンサーが捉えた画像に対して、各ピクセルのカテゴリを予測することを目的としている。
我々のフレームワークは、既存のハイパースペクトル画像分類法に容易に適用できる。
論文 参考訳（メタデータ） (2022-11-15T17:57:12Z) - Introspective Deep Metric Learning for Image Retrieval [80.29866561553483]
良好な類似性モデルは、より堅牢なトレーニングのために曖昧なイメージをよりよく扱うように注意しながら、意味的な相違を考慮すべきである、と我々は主張する。
本稿では,画像の意味的特徴とあいまいさを記述した,意味的埋め込みだけでなく,付随する不確実性埋め込みを用いて画像を表現することを提案する。
提案したIDMLフレームワークは,不確実性モデリングによるディープメトリック学習の性能向上を実現し,広く使用されているCUB-200-2011,Cars196,Stanford Online Productsデータセットの最先端結果を得る。
論文 参考訳（メタデータ） (2022-05-09T17:51:44Z) - Attributable Visual Similarity Learning [90.69718495533144]
本稿では、画像間のより正確で説明可能な類似度測定のための帰属的視覚類似度学習(AVSL)フレームワークを提案する。
人間の意味的類似性認知に動機づけられた2つの画像とグラフとの類似性を表現するために,一般化された類似性学習パラダイムを提案する。
CUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、既存の深い類似性学習方法よりも大幅に改善されたことを示している。
論文 参考訳（メタデータ） (2022-03-28T17:35:31Z) - Learning Contrastive Representation for Semantic Correspondence [150.29135856909477]
セマンティックマッチングのためのマルチレベルコントラスト学習手法を提案する。
画像レベルのコントラスト学習は、畳み込み特徴が類似したオブジェクト間の対応を見出すための鍵となる要素であることを示す。
論文 参考訳（メタデータ） (2021-09-22T18:34:14Z) - DeepSim: Semantic similarity metrics for learned image registration [6.789370732159177]
画像登録のための意味的類似度尺度を提案する。
提案手法は,学習ベース登録モデルの最適化を促進する,データセット固有の特徴を学習する。
論文 参考訳（メタデータ） (2020-11-11T12:35:07Z)
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。