論文の概要: DiffSAC: Diffusion-guided Sampling for Consensus-based Robust Estimation

• arxiv url: http://arxiv.org/abs/2608.30603v1
• Date: Mon, 31 Aug 2026 11:15:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.35885
• Title: DiffSAC: Diffusion-guided Sampling for Consensus-based Robust Estimation
• Title（参考訳）: DiffSAC: 合意に基づくロバスト推定のための拡散誘導サンプリング
• Abstract要約: コンセンサスに基づくロバスト推定のための拡散誘導サンプリング手法を提案する。 DiffSACは有効最小セットの分布を学習し、各データポイントに対する信頼性を洗練する。 少数の高品質の最小セットを出力し、コンセンサス評価による最良の仮説の同定を可能にする。
• 参考スコア（独自算出の注目度）: 25.779514721115742
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust estimation is a core computer vision task frequently tackled using sample consensus. However, traditional methods suffer from inefficient sampling as they struggle to identify effective minimum sets before hypothesis evaluation. To address these challenges, we propose a novel Diffusion-guided Sampling for Consensus-based Robust Estimation (DiffSAC) framework. DiffSAC introduces a diffusion model to learn the distribution of effective minimum sets. It refines the confidence for each data point, indicating whether it belongs to a good minimum set, rather than ranking the data points as in previous work. This significantly reduces the need to process numerous bad sets. To constrain the refinement direction, geometric features are incorporated as conditions within our diffusion model. Consequently, DiffSAC outputs a small number of high-quality minimum sets, enabling identification of the best hypothesis via consensus evaluation. Notably, compared to previous works requiring evaluating over ten thousand hypotheses, DiffSAC achieves state-of-the-art performance with only dozens, significantly boosting efficiency. Extensive experiments across five classic computer vision tasks demonstrate the superiority of DiffSAC. The diffusion model's sampling accelerators enable real-time operation, and DiffSAC can be used as a plug-and-play module to improve existing sample consensus methods.
• Abstract（参考訳）: ロバスト推定は、しばしばサンプルコンセンサスを用いて取り組まれるコアコンピュータビジョンタスクである。 しかし、従来の手法は、仮説評価の前に有効な最小セットを特定するのに苦労するため、非効率なサンプリングに悩まされる。 これらの課題に対処するために,コンセンサスに基づくロバスト推定(DiffSAC)フレームワークのための拡散誘導サンプリングを提案する。 DiffSACは、有効最小集合の分布を学習するための拡散モデルを導入する。 各データポイントに対する信頼度を改善し、前の作業のようにデータポイントをランク付けするのではなく、適切な最小セットに属するかどうかを示す。 これにより、多くの悪いセットを処理する必要が大幅に削減される。 改良方向を制約するため, 拡散モデル内の条件として幾何学的特徴が組み込まれている。 その結果、DiffSACは少数の高品質の最小セットを出力し、コンセンサス評価による最良の仮説の同定を可能にする。 特に、DiffSACは1万以上の仮説を評価することを必要とする以前の作品と比較して、最先端のパフォーマンスをわずか数十回で達成し、効率を大幅に向上させた。 5つの古典的コンピュータビジョンタスクにわたる大規模な実験は、DiffSACの優位性を示している。 拡散モデルのサンプリングアクセラレータはリアルタイム動作を可能にし、DiffSACは既存のサンプルコンセンサス法を改善するためのプラグイン・アンド・プレイモジュールとして使用できる。

関連論文リスト

• Benchmarking Few-shot Transferability of Pre-trained Models with Improved Evaluation Protocols [123.73663884421272]
  より強力な事前訓練モデルと改良された適応アルゴリズムによって、わずかなショット転送が革新されている。 FEWTRANSは10種類のデータセットを含む総合的なベンチマークである。 FEWTRANS をリリースすることにより,数発の転写学習研究において再現性の向上を合理化するための厳密な "ルーラー" の提供を目指す。
  論文  参考訳（メタデータ） (2026-02-28T05:41:57Z)
• Sharp Convergence Rates for Masked Diffusion Models [53.117058231393834]
  制約を克服するオイラー法に対する全変分に基づく解析法を開発した。 その結果、スコア推定の仮定を緩和し、パラメータ依存性を改善し、収束保証を確立する。 全体としては,CTMC軌道に沿った直接テレビによる誤り分解と,FHSのためのデカップリングに基づく経路解析を導入している。
  論文  参考訳（メタデータ） (2026-02-26T00:47:51Z)
• IPEC: Test-Time Incremental Prototype Enhancement Classifier for Few-Shot Learning [17.144931110395273]
  メトリックベースの数ショットアプローチは、比較的単純な実装、高い解釈能力、計算効率のために大きな人気を得ている。 Incrmental Prototype Enhancement (IPEC)と呼ばれる新しいテストタイム手法を提案する。 本稿では,この手法をベイズ解釈に基礎を置き,サポートセットを事前と補助セットをデータ駆動後部として概念化し,実用的な「ウォームアップ・テスト」2段階推論プロトコルの設計を動機付ける。
  論文  参考訳（メタデータ） (2026-01-16T02:10:47Z)
• One-Step Diffusion Samplers via Self-Distillation and Deterministic Flow [24.67443222055996]
  既存のサンプリングアルゴリズムは通常、高品質なサンプルを作成するために多くの反復的なステップを必要とする。 ステップ条件のODEを学習する1ステップ拡散サンプリング器を提案する。 標準のELBO推定値が数ステップで劣化するのは、よく見られる離散的な収差が前方/後方遷移カーネルと一致していないためである。
  論文  参考訳（メタデータ） (2025-12-04T20:57:53Z)
• ACE: Adapting sampling for Counterfactual Explanations [1.3406858660972552]
  Counterfactual Explanations (CFE)は、モデルの予測を望ましい出力に変換するために必要な入力機能への最小限の変更を特定することで、機械学習モデルを解釈する。 既存の手法はしばしばサンプル非効率であり、ブラックボックスモデルの多くの評価を必要とする。 本稿では,ベイズ推定と最適化を組み合わせたサンプル効率のアルゴリズムであるACE(Adaptive sample for Counterfactual Explanations)を提案する。
  論文  参考訳（メタデータ） (2025-09-30T14:31:03Z)
• Taming Flow Matching with Unbalanced Optimal Transport into Fast Pansharpening [10.23957420290553]
  本稿では,一段階の高品位パンシャーピングを実現するための最適輸送フローマッチングフレームワークを提案する。 OTFMフレームワークは、パンシャーピング制約の厳格な遵守を維持しつつ、シミュレーション不要なトレーニングとシングルステップ推論を可能にする。
  論文  参考訳（メタデータ） (2025-03-19T08:10:49Z)
• DOTA: Distributional Test-Time Adaptation of Vision-Language Models [69.41389326333771]
  トレーニングデータとテストデータの間に大きな分散ギャップが存在する場合、視覚言語の基礎モデルは信頼できない。 本稿では,DOTA(DistributiOnal Test-time Adaptation)を提案する。 この分散中心のアプローチは、モデルが継続的に学習し、デプロイメント環境に適応することを可能にする。
  論文  参考訳（メタデータ） (2024-09-28T15:03:28Z)
• RLSAC: Reinforcement Learning enhanced Sample Consensus for End-to-End Robust Estimation [74.47709320443998]
  RLSAC(Reinforcement Learning enhanced SAmple Consensus framework for end-to-end robust estimation)を提案する。 RLSACはグラフニューラルネットワークを用いて、データとメモリの特徴の両方を利用して探索方向を案内し、次の最小セットをサンプリングする。 実験の結果, RLSACは特徴から学習し, より優れた仮説を徐々に探求できることがわかった。
  論文  参考訳（メタデータ） (2023-08-10T03:14:19Z)
• Rethinking Sampling Strategies for Unsupervised Person Re-identification [59.47536050785886]
  我々は,同じフレームワーク下での各種サンプリング戦略と損失関数のパフォーマンス差の理由を解析した。 グループサンプリングを提案し、同じクラスのサンプルをグループに集める。 Market-1501、DukeMTMC-reID、MSMT17の実験は、グループサンプリングが最先端の手法に匹敵する性能を達成することを示した。
  論文  参考訳（メタデータ） (2021-07-07T05:39:58Z)
• Multi-Scale Positive Sample Refinement for Few-Shot Object Detection [61.60255654558682]
  Few-shot Object Detection (FSOD) は、ディテクターがトレーニングインスタンスをほとんど持たない未確認のクラスに適応するのに役立つ。 FSODにおけるオブジェクトスケールを拡張化するためのMPSR(Multi-scale Positive Sample Refinement)アプローチを提案する。 MPSRは、オブジェクトピラミッドとして多スケールの正のサンプルを生成し、様々なスケールで予測を洗練させる。
  論文  参考訳（メタデータ） (2020-07-18T09:48:29Z)
• Pre-training Is (Almost) All You Need: An Application to Commonsense Reasoning [61.32992639292889]
  事前学習されたトランスモデルの微調整は、一般的なNLPタスクを解決するための標準的なアプローチとなっている。 そこで本研究では,可視性ランキングタスクをフルテキスト形式でキャストする新たなスコアリング手法を提案する。 提案手法は, ランダム再起動にまたがって, より安定した学習段階を提供することを示す。
  論文  参考訳（メタデータ） (2020-04-29T10:54:40Z)

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。