論文の概要: Generalization over Memorization: Generalization-Aware Diffusion Adaptation for Single-Image Multi-View Synthesis
- arxiv url: http://arxiv.org/abs/2608.29233v1
- Date: Sat, 29 Aug 2026 12:39:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.883605
- Title: Generalization over Memorization: Generalization-Aware Diffusion Adaptation for Single-Image Multi-View Synthesis
- Title（参考訳）: 記憶の一般化:単一画像多視点合成のための一般化対応拡散適応
- Abstract要約: 我々は, ACM 2026 Grand Challenge on Single-Image Guided Multi-Angle Image Synthesis の優勝ソリューションを提案する。
293の登録チームの中では第1位であり、56のチームが少なくとも1つのスコアを獲得した。
- 参考スコア（独自算出の注目度）: 36.27098911346326
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We present the winning solution to the ACM Multimedia 2026 Grand Challenge on Single-Image Guided Multi-Angle Image Synthesis. It ranks first among 293 registered teams; 56 teams obtained at least one scored submission on the public Phase-A leaderboard. With only 40 training scenes, the challenge requires 26 target views from one RGB model and one forward pass per view; it prohibits explicit geometry, external rendering, chained generation, candidate selection, and post-processing. We identify a critical model-selection failure: shared training and validation scenes make memorization appear as transferable view control. We therefore introduce GoM. Short for Generalization over Memorization, the framework combines scene-disjoint validation, exposure-matched selection, and targeted diffusion adaptation. Its synthesis model adapts a 4B rectified-flow DiT using rank-32 LoRA, optimizer restarts, late-checkpoint averaging, and VAE decoder tuning. More than 300 offline experiments and 24 online submissions show that validation design and training-trajectory control can matter as much as architecture scale in small-data generative modeling.
- Abstract（参考訳）: ACM Multimedia 2026 Grand Challenge on Single-Image Guided Multi-Angle Image Synthesis。
293の登録チームの中では第1位であり、56のチームが少なくとも1つのスコアを獲得した。
たった40のトレーニングシーンで、1つのRGBモデルからの26のターゲットビューと1つのフォワードパスが要求される。
共有トレーニングと検証シーンは、記憶を転送可能なビューコントロールとして表示する。
従って、GoMを導入します。
メモリ化に関する一般化の略で、このフレームワークはシーン不一致の検証、露光マッチングの選択、ターゲットの拡散適応を組み合わせたものである。
合成モデルは、ランク32のLoRAを使った4B整流DiT、オプティマイザの再起動、遅延チェックポイント平均化、VAEデコーダチューニングを適応する。
300以上のオフライン実験と24件のオンライン提出は、検証設計とトレーニング-軌道制御が、小さなデータ生成モデリングにおけるアーキテクチャスケールと同じくらい重要であることを示している。
関連論文リスト
- MIEScore: Human-Aligned Evaluation for Multi-Source Image Editing [80.57428909397176]
MIE-Benchは、人間の好みの細かいアノテーションを付加した、最初の大規模多重画像編集ベンチマークである。
MIE-Benchには16タスクに3000の編集インスタンスがあり、それぞれ2つ以上のソースイメージと編集プロンプトが含まれている。
MIEScoreはMultimodal large language model(MLLM)に基づく評価モデルであり、スキル最適化と多次元教師付き微調整によって強化されている。
論文 参考訳（メタデータ） (2026-08-03T10:57:00Z) - SAM3 Self-Distillation for Fine-Grained GOOSE 2D Semantic Segmentation [3.487520041555239]
ICRA 2026 GOOSE 2D Fine-Grained Semantic Challengeについて述べる。
我々のモデルは、最近の視覚基盤モデルであるセグメンツ・アロシング・モデル3のイメージに適応する。
論文 参考訳（メタデータ） (2026-06-18T11:54:07Z) - TempRet: Temporal Enhancement and Two-Stage Reranking for CVPR 2026 EPIC-KITCHENS-100 Multi-Instance Retrieval Challenge [71.10535279591527]
我々は,CVPR 2026 EPIC-KITCHENS-100 MIRチャレンジに対して,TempRetと呼ばれるソリューションを提示する。
当社のアプローチは,CLIPベースのデュアルエンコーダのバックボーン上に構築されており,時間的および横断的な課題に対処するための2つの重要なコンポーネントを導入している。
EK-100 MIRベンチマークでは,平均mAPは67.97%,平均nDCGは82.92%であった。
論文 参考訳（メタデータ） (2026-05-23T08:37:39Z) - Do Composed Image Retrieval Benchmarks Require Multimodal Composition? [86.99911649534795]
合成画像検索ベンチマークでは,マルチモーダルな構成が必要であると推定される。
4つの広く使用されているCIRベンチマークと11のジェネリストマルチモーダルエンベディングモデルで、クエリの大部分が単一モードで解決できる。
CIRの性能は、真のマルチモーダル合成ではなく、単一モーダル信号から生じる。
論文 参考訳（メタデータ） (2026-05-14T12:56:36Z) - Beyond Single Prompts: Synergistic Fusion and Arrangement for VICL [4.215181054941225]
Vision In-Context Learning (VICL) は、いくつかのプロンプトから新しい視覚タスクにインペイントモデルが迅速に適応できるようにする。
VICL法は,(1)最も類似したプロンプトのみを選択すると,他の高品質なプロンプトから補完的なキューを破棄し,(2)異なるプロンプトアレンジで入力される構造化情報を利用することができない,という2つの問題に悩まされている。
まず、適応型統合モジュールは複数のプロンプトから重要なパターンやアノテーションを集約し、より正確な文脈的プロンプトを形成する。
論文 参考訳（メタデータ） (2026-01-15T06:53:59Z) - Adventurer: Optimizing Vision Mamba Architecture Designs for Efficiency [41.87857129429512]
本稿では,イメージをパッチトークンのシーケンスとして扱うアドベンチャーシリーズモデルを紹介し,一方向言語モデルを用いて視覚表現を学習する。
このモデリングパラダイムにより、列長に対して線形な複雑度を持つ繰り返し定式化による画像の処理が可能となる。
本稿では,画像入力を因果推論フレームワークにシームレスに統合する2つの簡単な設計を提案する。
論文 参考訳（メタデータ） (2024-10-10T04:14:52Z) - GroupMamba: Efficient Group-Based Visual State Space Model [66.35608254724566]
状態空間モデル(SSM)は、最近、四次計算の複雑さで長距離依存を捉えることを約束している。
しかし、純粋にSSMベースのモデルは、コンピュータビジョンタスクにおける安定性と最先端の性能を達成するために重要な課題に直面している。
本稿では,コンピュータビジョンのためのSSMベースのモデルをスケールする上での課題,特に大規模モデルの不安定性と非効率性について論じる。
論文 参考訳（メタデータ） (2024-07-18T17:59:58Z) - A Fair Ranking and New Model for Panoptic Scene Graph Generation [51.78798765130832]
Decoupled SceneFormer(DSFormer)は、既存のすべてのシーングラフモデルよりも優れた2段階モデルである。
基本設計原則として、DSFormerは被写体とオブジェクトマスクを直接特徴空間にエンコードする。
論文 参考訳（メタデータ） (2024-07-12T12:28:08Z) - Pseudo-triplet Guided Few-shot Composed Image Retrieval [20.040511832864503]
Composed Image Retrieval (CIR)は、マルチモーダルクエリでターゲット画像を取得することを目的とした課題である。
PTG-FSCIRと呼ばれる2段階の擬似三重項誘導方式を提案する。
最初の段階では、純画像データから擬似三重項を生成するために、注意型マスキングとキャプションに基づく擬似三重項生成法を提案する。
第2段階では,3重項に基づく挑戦的CIR微調整法を提案し,擬似修正テキストに基づくサンプルの挑戦的スコア推定戦略を設計する。
論文 参考訳（メタデータ） (2024-07-08T14:53:07Z) - A Vanilla Multi-Task Framework for Dense Visual Prediction Solution to
1st VCL Challenge -- Multi-Task Robustness Track [31.754017006309564]
様々な視覚認識アルゴリズムをマルチタスクモデルにシームレスに結合するUniNetというフレームワークを提案する。
具体的には,DreTR3D,Mask2Former,BinsFormerを3次元オブジェクト検出,インスタンスセグメンテーション,深さ推定タスクとして選択する。
最後のエントリーは、InternImage-Lバックボーンを備えた単一のモデルで、総合スコアは49.6である。
論文 参考訳（メタデータ） (2024-02-27T08:51:20Z)
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。