論文の概要: MARS-CLIP: Multi-Resolution and Attention Refined Zero-Shot Image Segmentation

• arxiv url: http://arxiv.org/abs/2609.08283v1
• Date: Tue, 08 Sep 2026 05:53:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 16:54:11.692127
• Title: MARS-CLIP: Multi-Resolution and Attention Refined Zero-Shot Image Segmentation
• Title（参考訳）: MARS-CLIP:マルチリゾリューションとアテンション強化ゼロショット画像分割
• Abstract要約: 対照的な言語-画像事前学習(CLIP)は、ゼロショット転送において顕著な能力を示してきたが、低解像度と構造情報の喪失により、しばしば高密度な予測タスクに悩まされている。 ゼロショットセマンティックセグメンテーションのための新しいフレームワークMARS-CLIPを提案する。 提案手法では, (i) 局所的な細粒度特徴をグローバルなコンテキストに融合して入力解像度制約を克服する多分解能特徴抽出モジュール, (ii) オブジェクト境界を正確に復元するために中間層から空間的および色偏差を注入する注意改善機構を導入する。
• 参考スコア（独自算出の注目度）: 1.3999481573773072
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Contrastive Language-Image Pre-training (CLIP) has demonstrated impressive capabilities in zero-shot transfer but often struggles with dense prediction tasks due to low spatial resolution and the loss of structural information. To address these limitations, we propose MARS-CLIP (Multi-resolution and Attention Refined Segmentation for CLIP), a novel framework for zero-shot semantic segmentation. Our approach introduces two key strategies: (i) a multi-resolution feature extraction module that fuses local fine-grained features with global context to overcome input resolution constraints, and (ii) an attention refinement mechanism that injects spatial and color biases from intermediate layers into the final self-attention block to accurately restore object boundaries. A set of experiments on six public datasets demonstrates that MARS-CLIP significantly outperforms state-of-the-art methods.
• Abstract（参考訳）: 対照的な言語-画像事前学習(CLIP)は、ゼロショット転送において顕著な能力を示したが、空間分解能の低さと構造情報の喪失により、しばしば密集した予測タスクに苦慮している。 これらの制約に対処するため、ゼロショットセマンティックセマンティックセマンティックセマンティクスのための新しいフレームワークであるMARS-CLIP(Multi- resolution and Attention Refined Segmentation for CLIP)を提案する。 私たちのアプローチでは,2つの重要な戦略を導入しています。 (i)グローバルコンテキストで局所的な細粒度特徴を融合して入力解像度制約を克服する多分解能特徴抽出モジュール 二 物体の境界を正確に復元するために、中間層から空間的及び色偏差を最終自己注意ブロックに注入する注意改善機構。 6つの公開データセットに関する一連の実験は、MARS-CLIPが最先端の手法を大幅に上回っていることを示している。

関連論文リスト

• Learning to Focus and Precise Cropping: A Reinforcement Learning Framework with Information Gaps and Grounding Loss for MLLMs [58.32326205291745]
  MLLMは画像トリミングツールを自律的に利用し、質問応答のための関心領域を分析する。 我々は,このモデルが大域的な入力に強く依存していることと,収穫領域の細部への弱い依存を実証する。 監視を必要としない新しい2段階強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-29T03:18:57Z)
• SSR: Semantic and Spatial Rectification for CLIP-based Weakly Supervised Segmentation [19.962252347191523]
  本稿では,既存のCLIPに基づく弱教師付きセマンティックセマンティック・セマンティック・セマンティック・セマンティック・セマンティック・アプローチの限界に対処する新しいセマンティック・空間整合法を提案する。 具体的には、意味レベルでは、Cross-Modal Prototype Alignment (CMPA)は特徴空間アライメントを強制する対照的な学習メカニズムを確立する。 空間レベルでは、Superpixel-Guided Correction (SGC) はスーパーピクセルベースの空間先行情報を利用して、親和性伝播中の非ターゲット領域からの干渉を正確にフィルタリングする。
  論文  参考訳（メタデータ） (2025-12-01T14:06:50Z)
• Target Refocusing via Attention Redistribution for Open-Vocabulary Semantic Segmentation: An Explainability Perspective [47.99651635870674]
  本研究では,人間の注意を標的領域へ向けて注意を向けるために,注意喚起行動のエミュレートを行うトレーニングフリーアプローチを提案する。 提案手法は,高い推論効率を維持しつつ,8つのベンチマーク上でのSOTA性能を実現する。
  論文  参考訳（メタデータ） (2025-11-20T09:16:33Z)
• MPCM-Net: Multi-scale network integrates partial attention convolution with Mamba for ground-based cloud image segmentation [13.137436418148896]
  地上のクラウドイメージセグメンテーションは、太陽光発電の電力予測にとって重要な研究領域である。 本稿では,部分的注意の畳み込みをMambaアーキテクチャと統合し,セグメンテーション精度と計算効率を向上させるマルチスケールネットワークMPCM-Netを提案する。 コミュニティへの重要な貢献として、既存の公開データセットの限界を克服するために設計された、明確できめ細かいセグメンテーションベンチマークであるデータセットCSRCも導入、リリースしています。
  論文  参考訳（メタデータ） (2025-11-12T06:17:49Z)
• SRSR: Enhancing Semantic Accuracy in Real-World Image Super-Resolution with Spatially Re-Focused Text-Conditioning [59.013863248600046]
  本稿では,空間的に再焦点を絞ったテキストコンディショニングを推論時に洗練する超解像フレームワークを提案する。 第二に,非接地画素に対するテキストの影響を選択的に回避し,幻覚を防ぐ空間的自由誘導機構を導入する。
  論文  参考訳（メタデータ） (2025-10-26T05:03:55Z)
• FineRS: Fine-grained Reasoning and Segmentation of Small Objects with Reinforcement Learning [62.11389260206383]
  textscFineRSは、非常に小さなオブジェクトをセグメント化するための2段階のMLLMベースの強化学習フレームワークである。 textscFineRS-4kは,属性レベルの推論に基づくMLLMの評価と,微妙で小規模なターゲットに対する画素レベルのセグメンテーションのための新しいデータセットである。
  論文  参考訳（メタデータ） (2025-10-24T10:14:17Z)
• ResCLIP: Residual Attention for Training-free Dense Vision-language Inference [27.551367463011008]
  CLIPの非最終層における自己注意の相互相関も局在特性を示す。 本稿では, 中間層からの相互相関自己アテンションを利用して, 最終ブロックの注意を再認識するResidual Cross-correlation Self-attention (RCS) モジュールを提案する。 RCSモジュールは空間情報を効果的に再構成し、高密度視覚言語推論のためのCLIP内の局在電位を解放する。
  論文  参考訳（メタデータ） (2024-11-24T14:14:14Z)
• Point Cloud Understanding via Attention-Driven Contrastive Learning [64.65145700121442]
  トランスフォーマーベースのモデルは、自己認識機構を活用することにより、先進的なポイントクラウド理解を持つ。 PointACLは、これらの制限に対処するために設計された、注意駆動のコントラスト学習フレームワークである。 本手法では, 注意駆動型動的マスキング手法を用いて, モデルが非集中領域に集中するように誘導する。
  論文  参考訳（メタデータ） (2024-11-22T05:41:00Z)
• ClearCLIP: Decomposing CLIP Representations for Dense Vision-Language Inference [32.852004564832455]
  我々はCLIPのアーキテクチャを再検討し、残余接続をセグメンテーション品質を劣化させるノイズの主源として同定する。 オープン語彙セマンティックセグメンテーションを強化するためにCLIPの表現を分解する新しいアプローチであるClearCLIPを提案する。
  論文  参考訳（メタデータ） (2024-07-17T09:52:20Z)
• Spatial Structure Constraints for Weakly Supervised Semantic Segmentation [100.0316479167605]
  クラスアクティベーションマップ(CAM)は、オブジェクトの最も識別性の高い部分のみを見つけることができる。 注意伸縮の余剰なオブジェクトの過剰な活性化を軽減するために,弱い教師付きセマンティックセマンティックセグメンテーションのための空間構造制約(SSC)を提案する。 提案手法は,PASCAL VOC 2012とCOCOデータセットでそれぞれ72.7%,47.0%mIoUを達成した。
  論文  参考訳（メタデータ） (2024-01-20T05:25:25Z)

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。