論文の概要: Re-calibrated Contrastive Loss for Transformation-Aware Prompt Conditioning in Vision-Language Models

• arxiv url: http://arxiv.org/abs/2609.06967v1
• Date: Mon, 07 Sep 2026 03:04:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.344881
• Title: Re-calibrated Contrastive Loss for Transformation-Aware Prompt Conditioning in Vision-Language Models
• Title（参考訳）: 視覚言語モデルにおける変換対応型プロンプトコンディショニングのための再校正コントラスト損失
• Abstract要約: 既存の方法は、異なるインスタンスとして同一クラスのサンプルを扱い、ペア化されたテキストプロンプトとは独立して画像を変換する。 我々は、変換対応のプロンプト条件付けと、再校正されたコントラッシブ損失により、これらの制限に対処する。 提案手法では,モデルがドメイン固有の特徴をより効果的に学習できるようにするため,異なるインスタンスではなく,同じクラスサンプルをポジティブとして扱う。
• 参考スコア（独自算出の注目度）: 5.403677859218301
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ensuring effective transfer learning for vision-language models without compromising their generalization performance is crucial. However, many existing methods overlook data characteristics and simply reuse the training strategies adopted during pre-training. Specifically, they treat same-class samples as distinct instances and transform images independently of their paired text prompts, which makes model learning more difficult. We address these limitations through transformation-aware prompt conditioning and a re-calibrated contrastive loss. Fixed text descriptors identify the transformations applied to paired images, providing transformation-level consistency without altering class semantics. This design aligns the image and text branches at the transformation level, enabling richer representations while preserving the models' ability to generalize. In addition, our loss function mitigates positive-gradient dilution in soft-target cross-entropy when each anchor has multiple valid positives. During transfer, our approach treats same-class samples as positives rather than distinct instances, enabling the model to learn domain-specific features more effectively. Experiments across distribution shift, transfer learning, and few-shot settings demonstrate consistent improvements over existing approaches. Source code for our method is available at https://github.com/SoongE/ReCalCon.
• Abstract（参考訳）: 一般化性能を損なうことなく、視覚言語モデルに対する効果的な伝達学習を実現することが重要である。 しかし、既存の多くの手法はデータ特性を見落とし、事前学習時に採用されるトレーニング戦略を単純に再利用する。 具体的には、同一クラスのサンプルを別個のインスタンスとして扱い、ペア化されたテキストプロンプトとは独立して画像を変換することで、モデルの学習がより困難になる。 我々は、変換対応のプロンプト条件付けと、再校正されたコントラッシブ損失により、これらの制限に対処する。 固定テキスト記述子は、ペア画像に適用された変換を特定し、クラスセマンティクスを変更することなく、変換レベルの一貫性を提供する。 この設計は、画像とテキストの分岐を変換レベルで整列させ、モデルを一般化する能力を維持しながら、よりリッチな表現を可能にする。 さらに, 損失関数は各アンカーが複数の正の正の値を持つ場合, ソフトターゲットのクロスエントロピーにおいて, 正の漸進的希釈を緩和する。 転送中,同クラスのサンプルを別のインスタンスではなく正として扱うことで,ドメイン固有の特徴をより効果的に学習することが可能になる。 分散シフト、転送学習、数ショット設定による実験は、既存のアプローチよりも一貫した改善を示している。 私たちのメソッドのソースコードはhttps://github.com/SoongE/ReCalConで公開されています。

関連論文リスト

• $\boldsymbolλ$-Orthogonality Regularization for Compatible Representation Learning [48.264642951728085]
  検索システムは、ますます強力なモデルによって学習される表現に依存している。 学習表現における学習コストと不整合のため、表現間のコミュニケーションを促進することには大きな関心がある。
  論文  参考訳（メタデータ） (2025-09-20T12:35:07Z)
• Self-Supervised Learning based on Transformed Image Reconstruction for Equivariance-Coherent Feature Representation [3.7622885602373626]
  コンピュータビジョンの特徴を学習するための自己教師付き学習手法を提案する。 このシステムは、これまで見つからなかった変換を行ったイメージを再構成することで、変換を独立に学習する。 私たちのアプローチは、リッチな現実的なコンピュータビジョンの下流タスクで強く機能し、ほぼ常にすべてのベースラインを改善しています。
  論文  参考訳（メタデータ） (2025-03-24T15:01:50Z)
• Self-supervised Transformation Learning for Equivariant Representations [26.207358743969277]
  教師なし表現学習は、様々な機械学習タスクを大幅に進歩させた。 本稿では,変換ラベルを画像ペアから派生した変換表現に置き換える自己教師あり変換学習(STL)を提案する。 さまざまな分類タスクと検出タスクにまたがって、アプローチの有効性を実証し、11のベンチマークのうち7つで既存の手法より優れています。
  論文  参考訳（メタデータ） (2025-01-15T10:54:21Z)
• Distractors-Immune Representation Learning with Cross-modal Contrastive Regularization for Change Captioning [71.14084801851381]
  変更キャプションは、類似した画像間のセマンティックな変化を簡潔に記述することを目的としている。 既存のほとんどの手法は、それらの違いを直接キャプチャし、エラーを起こしやすい特徴を得るリスクを負う。 本稿では,2つの画像表現の対応するチャネルを関連づけるイントラクタ免疫表現学習ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-07-16T13:00:33Z)
• Semantic Cross Attention for Few-shot Learning [9.529264466445236]
  本稿では,ラベルテキストのセマンティックな特徴を補助的タスクとして見るためのマルチタスク学習手法を提案する。 提案モデルでは,単語埋め込み表現をセマンティックな特徴として用いて,埋め込みネットワークとセマンティックなクロスアテンションモジュールをトレーニングし,セマンティックな特徴を一般的な視覚的モーダルにブリッジする。
  論文  参考訳（メタデータ） (2022-10-12T15:24:59Z)
• Dense Contrastive Visual-Linguistic Pretraining [53.61233531733243]
  画像とテキストを共同で表現するマルチモーダル表現学習手法が提案されている。 これらの手法は,大規模マルチモーダル事前学習から高レベルな意味情報を取得することにより,優れた性能を実現する。 そこで本稿では,非バイアスのDense Contrastive Visual-Linguistic Pretrainingを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:20:13Z)
• Robust Training Using Natural Transformation [19.455666609149567]
  画像分類アルゴリズムのロバスト性を改善するための逆学習手法であるNaTraを提案する。 クラス識別とは無関係な入力画像の属性をターゲティングし、それらの属性を操作して実世界の自然変換を模倣します。 本手法の有効性を,よく訓練されたGANから導かれる非絡み合った潜在表現を用いて実証する。
  論文  参考訳（メタデータ） (2021-05-10T01:56:03Z)
• Graph Sampling Based Deep Metric Learning for Generalizable Person Re-Identification [114.56752624945142]
  我々は、最も一般的なランダムサンプリング手法である有名なpkサンプリングは、深層メトリック学習にとって有益で効率的ではないと主張する。 大規模計量学習のためのグラフサンプリング(GS)と呼ばれる効率的なミニバッチサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2021-04-04T06:44:15Z)
• Diverse Semantic Image Synthesis via Probability Distribution Modeling [103.88931623488088]
  新規な多様な意味的画像合成フレームワークを提案する。 本手法は最先端手法と比較して優れた多様性と同等の品質を実現することができる。
  論文  参考訳（メタデータ） (2021-03-11T18:59:25Z)
• Exploring Complementary Strengths of Invariant and Equivariant Representations for Few-Shot Learning [96.75889543560497]
  多くの現実世界では、多数のラベル付きサンプルの収集は不可能です。 少ないショット学習はこの問題に対処するための主要なアプローチであり、目的は限られた数のサンプルの存在下で新しいカテゴリに迅速に適応することです。 幾何学的変換の一般集合に対する等分散と不変性を同時に強制する新しい訓練機構を提案する。
  論文  参考訳（メタデータ） (2021-03-01T21:14:33Z)
• Seed the Views: Hierarchical Semantic Alignment for Contrastive Representation Learning [116.91819311885166]
  一つの画像から生成されたビューをtextbfCross-samples や Multi-level representation に拡張することで,階層的なセマンティックアライメント戦略を提案する。 提案手法はCsMlと呼ばれ,サンプル間の多層視覚表現を堅牢な方法で統合する機能を備えている。
  論文  参考訳（メタデータ） (2020-12-04T17:26:24Z)
• Encoding Robustness to Image Style via Adversarial Feature Perturbations [72.81911076841408]
  我々は、画像画素ではなく特徴統計を直接摂動することで、頑健なモデルを生成することで、敵の訓練に適応する。 提案手法であるAdvBN(Adversarial Batch Normalization)は,トレーニング中に最悪の機能摂動を発生させる単一ネットワーク層である。
  論文  参考訳（メタデータ） (2020-09-18T17:52:34Z)
• Importance of Self-Consistency in Active Learning for Semantic Segmentation [31.392212891018655]
  我々は,少数のラベル付きデータにのみアクセス可能なデータ駆動モデルの性能を向上させるために,自己整合性は自己超越の強力な情報源となることを示す。 提案するアクティブラーニングフレームワークでは,ラベル付けが必要な小さな画像パッチを反復的に抽出する。 現在のモデルが最も分類に苦労しているイメージパッチを見つけることができます。
  論文  参考訳（メタデータ） (2020-08-04T22:18:35Z)

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。