論文の概要: From Pixels to Hierarchical Sequences: Quadtree Mask Encoding for Vision-Language Binary Change Detection

• arxiv url: http://arxiv.org/abs/2609.09876v1
• Date: Wed, 09 Sep 2026 08:29:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.951784
• Title: From Pixels to Hierarchical Sequences: Quadtree Mask Encoding for Vision-Language Binary Change Detection
• Title（参考訳）: 図形から階層的シーケンス:視覚言語2値変化検出のための四分木マスク符号化
• Abstract要約: 本稿では,高密度な変化予測を構文検証可能な構造化生成として再キャストするフレームワークであるQUAKE-CDを紹介する。 QUAKE-CoTでは、QUAKE-CDは78.31%の累積F1を達成した。
• 参考スコア（独自算出の注目度）: 14.564856958951383
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dense change detection in remote sensing requires vision-language models (VLMs) to compare bi-temporal images and generate accurate pixel-level masks. Existing VLMs are largely confined to change captioning outputs, and the few that produce pixel-level masks still rely on external decoders or flat text-as-mask serialization, which are less effective for small and fragmented changes. We introduce QUAKE-CD, a framework that recasts dense change prediction as syntax-verifiable structured generation. QUAKE-CD represents binary change masks as grammar-constrained quadtree token sequences, making the masks compact, syntactically checkable, and deterministically decodable within an autoregressive generation space. We further construct QUAKE-CoT, which pairs these sequences with chain-of-thought traces grounded in visual evidence, and jointly optimizes textual reasoning and spatial dense prediction through a progressive curriculum followed by grammar-gated dual-reward RL. On QUAKE-CoT, QUAKE-CD achieves 78.31% accumulated F1, outperforming decoder-based and flat text-as-mask VLMs while producing more faithful bi-temporal reasoning.
• Abstract（参考訳）: リモートセンシングでは、両時間画像を比較し、正確なピクセルレベルのマスクを生成するために視覚言語モデル(VLM)が必要となる。 既存のVLMはキャプション出力の変更に限られており、外部デコーダや平らなテキスト・アズ・マスク・シリアライゼーションに依存している画素レベルのマスクは、小さな変更や断片的な変更にはあまり効果がない。 本稿では,高密度な変化予測を構文検証可能な構造化生成として再キャストするフレームワークであるQUAKE-CDを紹介する。 QUAKE-CDは、二項変更マスクを文法制約付きクワッドツリートークンシーケンスとして表現し、マスクをコンパクトに、構文的にチェック可能で、自動回帰生成空間内で決定的にデオード可能である。 さらに、これらのシーケンスと、視覚的エビデンスに根ざしたチェーン・オブ・シークレット・トレースを組み合わせたQUAKE-CoTを構築し、漸進的なカリキュラムを通してテキスト推論と空間密度予測を共同で最適化し、文法付き二重回帰RLで処理する。 QUAKE-CoTでは、QUAKE-CDは78.31%の累積F1を達成した。

関連論文リスト

• From Semantics to Pixels: Coarse-to-Fine Masked Autoencoders for Hierarchical Visual Understanding [31.516613298007005]
  C2FMAEは粗いマスク付きオートエンコーダで、3つのデータ粒度にわたる階層的な視覚表現を明示的に学習する。 我々は,C2FMAEが画像分類,オブジェクト検出,セマンティックセグメンテーションにおいて顕著な性能向上を実現していることを示す。
  論文  参考訳（メタデータ） (2026-03-10T17:51:12Z)
• SAMTok: Representing Any Mask with Two Words [70.74140779649856]
  我々は、任意の領域マスクを2つの特別なトークンに変換する離散マスクトークン化器SAMTokを提案する。 マスクを新しい言語トークンとして扱うことで、SAMTokは基本的なMLLMがピクセル単位の能力を学ぶことができる。 QwenVL-SAMTokは、領域キャプション、領域VQA、接地会話、セグメンテーション参照、シーングラフ解析、マルチラウンドインタラクティブセグメンテーションに関する最先端または同等の結果を得る。
  論文  参考訳（メタデータ） (2026-01-22T16:44:09Z)
• ViLaCD-R1: A Vision-Language Framework for Semantic Change Detection in Remote Sensing [5.966253859501895]
  ViLaCD-R1はMulti-Image Reasoner (MIR)とMask-Guided Decoder (MGD)からなる2段階のフレームワークである。 我々は,ViLaCD-R1が真の意味変化認識と局所化を大幅に改善し,非意味的変動を頑健に抑制し,複雑な実世界のシナリオにおいて不正確な精度を実現することを示す。
  論文  参考訳（メタデータ） (2025-12-29T06:58:46Z)
• VQRAE: Representation Quantization Autoencoders for Multimodal Understanding, Generation and Reconstruction [83.50898344094153]
  VQRAEは、イメージ理解のための連続的セマンティック機能と、統一トークン化器内での視覚生成のためのトークンを生成する。 デザインは、多モーダル理解、離散トークンの能力を維持するために、無視可能な意味情報を可能にする。 VQRAEは、視覚的理解、生成、再構築のベンチマークで競合性能を示す。
  論文  参考訳（メタデータ） (2025-11-28T17:26:34Z)
• High-Quality Mask Tuning Matters for Open-Vocabulary Segmentation [109.19165503929992]
  ここでは,CLIPのマスク分類能力を高めるために,生成されたマスクの代わりに接地トラスマスクを使用するMaskCLIP++を提案する。 低コストの微調整を経て、MaskCLIP++はマルチドメインデータセットのマスク分類性能を大幅に改善した。 我々は,A-847,PC-459,A-150,PC-59,PAS-20データセット上で+1.7,+2.3,+2.1,+3.1,+0.3 mIoUの性能改善を実現する。
  論文  参考訳（メタデータ） (2024-12-16T05:44:45Z)
• MaskCD: A Remote Sensing Change Detection Network Based on Mask Classification [29.15203530375882]
  深層学習を用いたリモートセンシング(RS)画像からの変化(CD)を文献的に広く研究している。 入力画像対から分類マスクを適応的に生成し,変化領域を検出するMaskCDを提案する。 ピクセルワイズ表現を学習可能なマスク提案に復号することで、望まれる変更対象を再構築する。
  論文  参考訳（メタデータ） (2024-04-18T11:05:15Z)
• Open-Vocabulary Segmentation with Unpaired Mask-Text Supervision [87.15580604023555]
  Unpair-Segは、弱制御されたオープン語彙セグメンテーションフレームワークである。 未ペア画像マスクと画像テキストペアから学習し、独立して効率的に収集することができる。 ADE-847とPASCAL Context-459データセットで14.6%と19.5%のmIoUを達成した。
  論文  参考訳（メタデータ） (2024-02-14T06:01:44Z)
• LightCLIP: Learning Multi-Level Interaction for Lightweight Vision-Language Models [45.672539931681065]
  軽量CLIPモデルのトレーニングのためのマルチレベルインタラクションパラダイムを提案する。 マスク付きテキスト埋め込みに非マスク画像の埋め込みを注入する補助融合モジュールを提案する。
  論文  参考訳（メタデータ） (2023-12-01T15:54:55Z)
• CoupAlign: Coupling Word-Pixel with Sentence-Mask Alignments for Referring Image Segmentation [104.5033800500497]
  画像セグメント化の参照は、自然言語文で記述された視覚オブジェクトのすべてのピクセルをローカライズすることを目的としている。 以前の作業では、参照オブジェクトをハイライトするために、文章の埋め込みとピクセルレベルの埋め込みを簡単に調整することを学びました。 単純で効果的なマルチレベル視覚系列アライメント法であるCoupAlignを提案する。
  論文  参考訳（メタデータ） (2022-12-04T08:53:42Z)
• UniLMv2: Pseudo-Masked Language Models for Unified Language Model Pre-Training [152.63467944568094]
  本稿では,自動エンコーディングと部分的自己回帰型言語モデリングタスクの両方に対して,統一言語モデルを事前学習することを提案する。 実験の結果,PMLMを用いて事前学習した統一言語モデルは,多種多様な自然言語理解・生成タスクにおいて,新たな最先端の成果が得られることがわかった。
  論文  参考訳（メタデータ） (2020-02-28T15:28:49Z)

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。