論文の概要: Rethinking Camouflage Image Generation towards a Training-Free Paradigm
- arxiv url: http://arxiv.org/abs/2609.14377v1
- Date: Sun, 13 Sep 2026 08:24:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 12:40:38.828103
- Title: Rethinking Camouflage Image Generation towards a Training-Free Paradigm
- Title（参考訳）: カモフラージュ画像の学習自由パラダイムへの再考
- Abstract要約: FreeCamは、前景のオブジェクトを隠蔽互換の背景コンテキストに混ぜることで、現実的なカモフラージュ画像を生成する。
我々はFreeCamを隠蔽指向のパラダイムとして定式化し、合成された環境からの知覚的分離性を低減しつつターゲットを保護した。
実験の結果,FreeCamはタスク固有のトレーニングを使わずに,最先端の生成品質とカモフラージュ効率を実現することができた。
- 参考スコア（独自算出の注目度）: 11.051625747450009
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Camouflage image generation (CIG) aims to synthesize realistic camouflaged images by blending foreground objects into concealment-compatible background contexts. Achieving this objective requires jointly satisfying three coupled requirements: foreground preservation to retain target integrity, semantic compatibility to select plausible concealment contexts, and appearance assimilation to reduce visual discrepancies. Recent approaches predominantly rely on task-specific training on camouflage datasets to address these requirements, incurring substantial computational cost and limiting generalization beyond the training domain. To address these limitations, we formulate training-free CIG as a concealment-oriented paradigm that preserves the target while reducing its perceptual separability from the synthesized surroundings, rather than maintaining its visual prominence, without parameter updates. We instantiate this paradigm with FreeCam based on a frozen inpainting diffusion framework to preserve the foreground. Within this framework, a Contextual Reasoning Module exploits frozen multimodal priors to infer an environment favorable to concealment, thereby promoting semantic compatibility, while an Intrinsic Appearance Module extracts low-level color and texture cues from the foreground to guide background synthesis toward appearance assimilation. Extensive experiments demonstrate that FreeCam achieves state-of-the-art generation quality and camouflage effectiveness without task-specific training, while its generated images provide synthetic supervision for camouflaged object detection and reduce target detectability under general object detectors.
- Abstract（参考訳）: カモフラージュ画像生成(CIG)は、前景オブジェクトを隠蔽互換の背景コンテキストにブレンドすることにより、現実的なカモフラージュ画像を合成することを目的としている。
この目的を達成するためには、目標整合性を維持するための前景保存、選択可能な隠蔽コンテキストのセマンティック互換性、視覚的不整合を低減するための外観同化の3つの条件を共同で満たす必要がある。
最近のアプローチでは、これらの要件に対処するために、タスク固有のトレーニングを主にカモフラージュデータセットに頼り、かなりの計算コストを発生させ、トレーニング領域を超えて一般化を制限する。
これらの制約に対処するため,我々は,学習自由CIGを,パラメータ更新なしで視覚的優位性を維持するのではなく,合成環境から知覚的分離性を低減しつつ,目標を隠蔽指向のパラダイムとして定式化する。
我々はこのパラダイムを,凍結塗布拡散フレームワークに基づいてFreeCamでインスタンス化し,前景を保存する。
このフレームワーク内では、Contextual Reasoning Module は、凍結したマルチモーダル前処理を利用して、隠蔽に好適な環境を推測し、セマンティックな互換性を促進する一方、固有の外観モジュールは、前景から低レベルの色とテクスチャのキューを抽出し、背景合成を外観同化へ導く。
広範囲にわたる実験により、FreeCamはタスク固有の訓練なしに最先端の生成品質とカモフラージュ効果を達成し、生成した画像はカモフラージュされた物体検出のための合成監視を提供し、汎用物体検出器による目標検出性を低下させる。
関連論文リスト
- To Blend In, First Decouple: Rethinking Camouflage Image Generation via Context-Decoupled Representations [18.9512030963437]
カモフラージュ画像生成(CIG)は、視覚的に隠されたオブジェクトを生成し、背景にシームレスにブレンドすることに焦点を当てている。
既存の手法は、典型的には、スタイル転送を介してオブジェクトの外観に適応する背景誘導パラダイムか、または、オブジェクトの特徴に基づいて周囲の領域に悪影響を及ぼす前景誘導戦略のいずれかに従う。
そこで我々は,文脈条件付きガイダンスを分離し,遅延カモフラージュ特徴を協調オブジェクトと背景制御ストリームに明示的に分離することを目的とした,コンテキスト分離型生成パラダイムであるCamoDreamerを提案する。
論文 参考訳（メタデータ） (2026-07-20T10:01:36Z) - LCPNet: Latent Consistent Proximal Unfolding Network for Infrared Small Target Detection [50.3892176822492]
赤外線小目標検出(IRSTD)は、複雑な赤外背景から長距離小目標を特定することを目的としている。
深層学習法は、識別的画像-マスクマッピングを学習することでIRSTDを改善した。
深層展開法は、モデル駆動イテレーションをニューラルネットワークに埋め込むことによって、この問題に部分的に対処する。
これらの制約に対処するために,Latent Consistent Proximal Unfolding Network (LCPNet)を提案する。
論文 参考訳（メタデータ） (2026-07-06T02:15:09Z) - CogSENet: Blind Image Deblurring with Blur-Conditioned Semantic Routing and Explicit Frequency Fusion [3.7521959864518593]
CogSENetは、ワシの視覚システムにインスパイアされた動的でセマンティックな再構築フレームワークである。
CogSENetoutperは、より少ないパラメータで、視覚的品質と構造的忠実度の両方で最先端のデブロアリングメソッドを生成する。
論文 参考訳（メタデータ） (2026-06-29T09:29:21Z) - 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) - RealCamo: Boosting Real Camouflage Synthesis with Layout Controls and Textual-Visual Guidance [13.352489108641938]
リアルなカモフラージュ画像生成のための統一されたアウトペイントベースフレームワークを提案する。
ReamCamoは、グローバルなイメージ構造を制御するためのレイアウトコントロールを明示的に導入している。
また,生成画像におけるカモフラージュの有効性を計測する背景・地上分布のばらつき尺度も導入する。
論文 参考訳（メタデータ） (2025-12-28T15:37:56Z) - Text-guided Controllable Diffusion for Realistic Camouflage Images Generation [33.31050008276478]
カモフラージュ画像生成(CIG)は、物体が調和してブレンドされ、周囲と高い視覚的一貫性を示す合成画像に焦点を当てた新興研究分野である。
本稿では,リアルかつ論理的に妥当なカモフラージュ画像を生成する制御可能なテキスト誘導カモフラージュ画像生成手法を提案する。
論文 参考訳（メタデータ） (2025-11-25T11:43:58Z) - Consistent Human Image and Video Generation with Spatially Conditioned Diffusion [82.4097906779699]
一貫性のある人中心画像とビデオ合成は、所定の参照画像との外観整合性を維持しつつ、新しいポーズを持つ画像を生成することを目的としている。
我々は,課題を空間条件付き塗装問題とみなし,対象画像をインペイントして参照との外観整合性を維持する。
このアプローチにより、参照機能により、統一された認知ネットワーク内でのポーズ準拠のターゲットの生成をガイドすることができる。
論文 参考訳（メタデータ） (2024-12-19T05:02:30Z) - ZoomNeXt: A Unified Collaborative Pyramid Network for Camouflaged Object Detection [70.11264880907652]
最近のオブジェクト(COD)は、現実のシナリオでは極めて複雑で難しい、視覚的にブレンドされたオブジェクトを周囲に分割しようと試みている。
本研究では,不明瞭な画像を観察したり,ズームインしたりアウトしたりする際の人間の行動を模倣する,効果的な統合協調ピラミッドネットワークを提案する。
我々のフレームワークは、画像とビデオのCODベンチマークにおいて、既存の最先端の手法を一貫して上回っている。
論文 参考訳（メタデータ） (2023-10-31T06:11:23Z) - Camouflaged Image Synthesis Is All You Need to Boost Camouflaged Detection [47.653092957888596]
本研究では,カモフラージュデータの合成フレームワークを提案する。
提案手法では,既存の物体検出モデルのトレーニングに使用可能な,現実的なカモフラージュ画像の生成に生成モデルを用いる。
我々のフレームワークは3つのデータセット上で最先端の手法より優れています。
論文 参考訳（メタデータ） (2023-08-13T06:55:05Z) - CamDiff: Camouflage Image Augmentation via Diffusion Model [83.35960536063857]
CamDiffは、カモフラージュされたシーンで透明なオブジェクトを合成するための新しいアプローチだ。
我々は,潜伏拡散モデルを用いて,カモフラージュされたシーンで有能な物体を合成する。
当社のアプローチでは、フレキシブルな編集と大規模データセットの効率的な生成を低コストで実現している。
論文 参考訳（メタデータ） (2023-04-11T19:37:47Z) - Robust Region Feature Synthesizer for Zero-Shot Object Detection [87.79902339984142]
我々は,クラス内セマンティック・ディバージングコンポーネントとクラス間構造保存コンポーネントを含む,新しいゼロショットオブジェクト検出フレームワークを構築した。
リモートセンシング画像においてゼロショット物体検出を行う最初の研究である。
論文 参考訳（メタデータ） (2022-01-01T03:09:15Z)
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。