論文の概要: Robust Multi-Model Fitting through Learning Neighbor Regions

• arxiv url: http://arxiv.org/abs/2609.15348v1
• Date: Mon, 14 Sep 2026 10:33:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.264652
• Title: Robust Multi-Model Fitting through Learning Neighbor Regions
• Title（参考訳）: 近隣地域の学習によるロバストなマルチモデルフィッティング
• Abstract要約: マルチモデルフィッティングは、シーン再構成や混合現実といったコンピュータビジョンタスクに使用される。 我々は、制限を克服するためにLearning Neighbor Regionsと呼ばれる頑丈な粗大なフレームワークを導入します。 4つの古典的マルチモデル適合タスクの実験は、LNRが最先端の性能を達成することを示す。
• 参考スコア（独自算出の注目度）: 25.779514721115742
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-model fitting involves fitting multiple models accurately in a noisy environment. It is the basis for computer vision tasks such as scene reconstruction and mixed reality. However, its performance is often limited by insufficient feature utilization, inefficient optimization, model overlap, and the non-differentiable pipelines. To overcome these limitations, we introduce a robust coarse-to-fine framework called Learning Neighbor Regions (LNR). Recognizing that substantial computational resources are wasted on numerous bad minimum sets, we propose the coarse-level module. This module utilizes a neural network to extract and analyze geometric feature of both local point-wise relationships and global contextual information in minimum sets, outputting confidence to pre-select a small number of good minimum sets, thereby enhancing overall efficiency before solving hypotheses. To address model overlap, LNR encodes neighbor region features for each hypothesis in its fine-level module. These region features consist of geometric features of neighboring data points, which can be used by multiple regions simultaneously. This design allows the neural network to individually refine and score each hypothesis. Importantly, LNR is trained to learn directly from data point features rather than from the hypothesis parameters, thus avoiding differentiating the sampling process and the model solvers. Extensive experiments on four classic multi-model fitting tasks demonstrate that LNR achieves state-of-the-art performance. The analysis suggests that LNR can be easily adapted to various robust multi-model fitting tasks.
• Abstract（参考訳）: マルチモデルフィッティングでは、ノイズの多い環境で複数のモデルを正確にフィッティングする。 シーン再構築や混合現実といったコンピュータビジョンタスクの基盤となっている。 しかし、その性能は機能利用の不足、非効率な最適化、モデルの重複、微分不可能なパイプラインによって制限されることが多い。 これらの制限を克服するため,我々はLearning Neighbor Regions (LNR) と呼ばれる,粗大できめ細かなフレームワークを導入した。 膨大な計算資源が多くの悪い最小セットで無駄にされていることを認識し、粗いレベルモジュールを提案する。 このモジュールは、ニューラルネットワークを用いて、局所的な点関係と大域的な文脈情報の両方の幾何学的特徴を最小セットで抽出し分析し、少数の良い最小セットを事前選択する自信を出力し、仮説を解く前に全体的な効率を向上する。 モデルオーバーラップに対処するため、LNRは各仮説の近傍領域の機能をその微細なモジュールにエンコードする。 これらの領域の特徴は、複数の領域で同時に使用できる、隣接するデータポイントの幾何学的特徴から成り立っている。 この設計により、ニューラルネットワークは個々の仮説を個別に洗練し、スコア付けすることができる。 重要なことは、LNRは仮説パラメータではなくデータポイント特徴から直接学習するように訓練されており、サンプリングプロセスとモデルソルバの区別を避けることができる。 4つの古典的マルチモデルフィッティングタスクに関する大規模な実験は、LNRが最先端の性能を達成することを示す。 解析結果から,LNRは様々な頑健なマルチモデル適合タスクに容易に適応可能であることが示唆された。

関連論文リスト

• SAND: Spatially Adaptive Network Depth for Fast Sampling of Neural Implicit Surfaces [91.71563221166417]
  入射神経表現は幾何学的モデリングには強力であるが、その実用性は高い計算コストによって制限されることが多い。 本稿では,空間適応型ネットワーク深度を用いた効率的なニューラル暗黙的幾何表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-15T14:14:17Z)
• INR-Bench: A Unified Benchmark for Implicit Neural Representations in Multi-Domain Regression and Reconstruction [13.69170295221069]
  Inlicit Neural Representations (INR)は、連続性と無限分解能の利点により、様々な信号処理タスクで成功している。 これらの要因をよりよく理解するために、ニューラル・タンジェント・カーネル(NTK)理論の洞察を利用する。 InR-BenchはマルチモーダルINRタスクに特化して設計された最初の総合ベンチマークである。
  論文  参考訳（メタデータ） (2025-10-11T11:57:13Z)
• Deep Hierarchical Learning with Nested Subspace Networks [53.71337604556311]
  大規模ニューラルネットワークのためのNested Subspace Networks (NSN)を提案する。 NSNは、単一のモデルを連続した計算予算の範囲で動的かつきめ細かな調整を可能にする。 我々は,NSNを訓練済みのLLMに外科的に適用し,スムーズで予測可能な計算性能フロンティアを解き放つことができることを示した。
  論文  参考訳（メタデータ） (2025-09-22T15:13:14Z)
• ALWNN Empowered Automatic Modulation Classification: Conquering Complexity and Scarce Sample Conditions [24.59462798452397]
  本稿では、適応軽量ウェーブレットニューラルネットワーク(ALWNN)とマルチショットフレームワーク(MALWNN)に基づく自動変調分類モデルを提案する。 ALWNNモデルは適応ウェーブレットニューラルネットワークと深度分離可能な畳み込みを統合することで、モデルパラメータの数と計算複雑性を低減する。 MALWNNの実験では、他のアルゴリズムと比較して、数ショットの学習シナリオでは優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-24T06:14:33Z)
• Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
  我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。 LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。 LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
  論文  参考訳（メタデータ） (2024-03-11T05:35:38Z)
• Clustered Federated Learning via Generalized Total Variation Minimization [83.26141667853057]
  本研究では,分散ネットワーク構造を持つローカルデータセットの局所的(あるいはパーソナライズされた)モデルを学習するための最適化手法について検討する。 我々の主要な概念的貢献は、総変動最小化(GTV)としてフェデレーション学習を定式化することである。 私たちのアルゴリズムの主な貢献は、完全に分散化されたフェデレーション学習アルゴリズムです。
  論文  参考訳（メタデータ） (2021-05-26T18:07:19Z)
• Provable Model-based Nonlinear Bandit and Reinforcement Learning: Shelve Optimism, Embrace Virtual Curvature [61.22680308681648]
  決定論的報酬を有する1層ニューラルネットバンディットにおいても,グローバル収束は統計的に難解であることを示す。 非線形バンディットとRLの両方に対して,オンラインモデル学習者による仮想アセンジ(Virtual Ascent with Online Model Learner)というモデルベースアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-08T12:41:56Z)
• Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
  最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。 このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
  論文  参考訳（メタデータ） (2020-03-13T13:11:35Z)

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。