論文の概要: Fine-Grained Anomaly Perception in Wild UGC-Enhanced Images: A Comprehensive Dataset and Difference-Fusion Framework

• arxiv url: http://arxiv.org/abs/2609.02529v1
• Date: Wed, 02 Sep 2026 12:37:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.333341
• Title: Fine-Grained Anomaly Perception in Wild UGC-Enhanced Images: A Comprehensive Dataset and Difference-Fusion Framework
• Title（参考訳）: 野生UGC強調画像における微細粒状異常知覚:包括的データセットと差分融合フレームワーク
• Authors: Yan Zhong, Gefei Chen, Qiufang Ma, Zhen Wang, Zhiwei Fan, Lei Shi, Tingting Jiang,
• Abstract要約: 画像のエンハンスメントと復元は、視覚的体験を高めるために、ショートビデオやソーシャルメディアプラットフォーム上での標準のバックエンド操作になっている。 既存のIQAメソッドは、実世界のシナリオにおける拡張アルゴリズムによって引き起こされる特定の局所的な異常を捕捉できない。 画像強調のためのタスク品質異常知覚(UEAP)を正式に定義する。 私たちは、実際のビジネスシナリオからキュレートされたUEAP-4kという、最初のUEAPベンチマークデータセットをコントリビュートします。
• 参考スコア（独自算出の注目度）: 12.197772777447405
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image enhancement and restoration have become standard back-end operations on short-video and social media platforms to boost UGC visual experience. Yet these processes inevitably introduce visual anomalies--especially in faces, texts, and textures--that directly undermine perceptual fidelity and viewer trust. While existing IQA methods perform well on classic distortions, they target holistic quality assessment and fail to capture the specific, localized anomalies caused by enhancement algorithms in real-world UGC. To bridge this gap, we formally define a new task-quality Anomaly Perception for UGC image Enhancement (UEAP), and contribute the first UEAP benchmark dataset, named UEAP-4k, curated from the real business scenarios. It provides fine-grained annotations for anomaly categories, localization and severity levels. Furthermore, we propose a Difference-Fusion Anomaly Perception Method (DFAP-UGC) for wild UGC-enhanced images, which leverages explicit problem-reference difference fusion with dense spatial querying, regional verification, and quality-aware ranking, enabling robust anomaly identification in challenging scenarios. To handle the inherent coupling of subtasks in this new task, we propose a Locality-Aware Dynamic Task Prioritization (LADTP) training strategy that enables effective end-to-end learning and eliminates multi-stage overhead. Extensive experiments show that our method outperforms baselines adapted from classical approaches for this task, validating the value of this dataset and the superior of DFAP-UGC for robust UGC-enhanced image anomaly perception. Code and data will be public.
• Abstract（参考訳）: 画像の強調と復元は、UGCの視覚的体験を高めるために、ショートビデオやソーシャルメディアプラットフォーム上での標準のバックエンド操作となっている。 しかし、これらのプロセスは必然的に視覚異常(特に顔、テキスト、テクスチャ)を導入し、知覚の忠実さと視聴者の信頼を損なう。 既存のIQA法は古典的な歪みに対してよく機能するが、それらは全体論的品質評価を目標としており、実世界のUGCにおける拡張アルゴリズムによって引き起こされる特定の局所的な異常を捉えることができない。 このギャップを埋めるため、UGC画像強調のためのタスク品質の異常知覚(UEAP)を正式に定義し、実際のビジネスシナリオからキュレートされたUEAPベンチマークデータセットであるUEAP-4kをコントリビュートする。 それは、異常なカテゴリ、ローカライゼーション、重大度レベルのためのきめ細かいアノテーションを提供する。 さらに,高密度空間問合せ,地域検証,品質意識のランク付けによる明示的な問題参照差の融合を利用して,難解なシナリオにおける堅牢な異常識別を可能にする,野生のUGC強調画像に対する差分フュージョン異常認識法(DFAP-UGC)を提案する。 新しいタスクにおけるサブタスクの固有の結合を扱うために、効率的なエンドツーエンド学習を可能にし、マルチステージオーバーヘッドを解消するLocality-Aware Dynamic Task Prioritization (LADTP)トレーニング戦略を提案する。 実験の結果,本手法は従来の手法に適応したベースラインよりも優れており,このデータセットの価値とDFAP-UGCより優れていることが確認された。 コードとデータは公開されます。

関連論文リスト

• Enhancing Gradient Inversion Attacks in Federated Learning via Hierarchical Feature Optimization [56.95448807869383]
  フェデレートラーニング(FL)は、プライバシを保存する分散機械学習の魅力的なパラダイムとして登場した。 近年の研究では、FLシステムで交換される勾配もプライバシー漏洩に弱いことが報告されている。 我々は textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD) を提案する。
  論文  参考訳（メタデータ） (2026-04-01T14:32:15Z)
• Real-time Appearance-based Gaze Estimation for Open Domains [15.195617974731766]
  本稿では,人手による付加的なデータを必要としない,高機能なAGEフレームワークを提案する。 異方性データセット間ラベル偏差の影響を軽減するため、マルチタスク学習問題として視線回帰を再構成する。 我々のMobileNetベースの軽量モデル一般化は、最先端(SOTA)のUniGaze-Hと競合する性能を実現する。
  論文  参考訳（メタデータ） (2026-03-27T19:33:18Z)
• Rethinking VLMs for Image Forgery Detection and Localization [55.32700985102152]
  本稿では,視覚言語モデル(VLM)をフル活用して画像偽造検出・局所化(IFDL)タスクを支援する方法について検討する。 これらの知見に基づいて,IFDL-VLMと呼ばれる新しいIFDLパイプラインを提案する。 実験結果から, 検出, 局所化, 解釈可能性において, 常に新しい最先端性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2026-03-13T12:21:31Z)
• From Controlled Scenarios to Real-World: Cross-Domain Degradation Pattern Matching for All-in-One Image Restoration [2.997052569698842]
  All-in-One Image Restoration (AiOIR) は、統一されたパラメータを持つ単一モデルを用いて、複数の劣化パターンによる画像復元を実現することを目的としている。 UDAIRフレームワークは、ソースドメインからターゲットドメインへの学習知識を活用することにより、AiOIRを効果的に実現するために提案されている。 10のオープンソースデータセットの実験結果は、UDAIRがAiOIRタスクのための新しい最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-05-28T12:22:00Z)
• Crane: Context-Guided Prompt Learning and Attention Refinement for Zero-Shot Anomaly Detection [50.343419243749054]
  異常検出は、医学診断や工業的欠陥検出などの分野において重要である。 CLIPの粗粒化画像テキストアライメントは、微粒化異常に対する局所化と検出性能を制限する。 クレーンは最先端のZSADを2%から28%に改善し、画像レベルとピクセルレベルの両方で、推論速度では競争力を維持している。
  論文  参考訳（メタデータ） (2025-04-15T10:42:25Z)
• 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)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• Domain-invariant Similarity Activation Map Contrastive Learning for Retrieval-based Long-term Visual Localization [30.203072945001136]
  本研究では,多領域画像変換による領域不変特徴抽出のために,確率論的に一般アーキテクチャを定式化する。 そして、より精密な局所化のために、新しい勾配重み付き類似性活性化写像損失(Grad-SAM)を組み込んだ。 CMUSeasonsデータセットにおける提案手法の有効性を検証するために大規模な実験が行われた。 我々の性能は、最先端のイメージベースのローカライゼーションベースラインを中あるいは高精度で上回るか、あるいは上回る。
  論文  参考訳（メタデータ） (2020-09-16T14:43:22Z)
• Unsupervised Domain Adaptation in Person re-ID via k-Reciprocal Clustering and Large-Scale Heterogeneous Environment Synthesis [76.46004354572956]
  個人再識別のための教師なし領域適応手法を提案する。 実験結果から,ktCUDA法とSHRED法は,再同定性能において,+5.7 mAPの平均的改善を実現することがわかった。
  論文  参考訳（メタデータ） (2020-01-14T17:43:52Z)

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。