論文の概要: DR.WILSS: Diffusion-Based Replay for Weakly Supervised Continual Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2609.18444v1
• Date: Wed, 16 Sep 2026 10:33:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.757907
• Title: DR.WILSS: Diffusion-Based Replay for Weakly Supervised Continual Semantic Segmentation
• Title（参考訳）: DR.WILSS: 弱修正連続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拡散に基づくリプレイ
• Abstract要約: DR$.$WILSSは、連続学習における破滅的な忘れに対処する革新的なアプローチである。 本フレームワークは,拡散過程の導出に言語手がかりを活用し,自己着色および正規化技術を用いた。 高品質なリプレイデータを生成することにより、継続更新中に学習済みのクラスからの情報を保存することができる。
• 参考スコア（独自算出の注目度）: 13.138680117480954
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Weakly supervised class-incremental semantic segmentation (WILSS) aims to train a segmentation model over multiple steps, each introducing new concepts to be learned with only image-level supervision. We introduce DR$.$WILSS, an innovative approach to address catastrophic forgetting in continual learning using diffusion-based generative replay. Our framework leverages language clues to guide the diffusion process, employing self-inpainting and regularization techniques to efficiently produce replay data, aiding the learning process. By generating high-quality replay data, the information from previously learned classes can be preserved during continual updates, a critical challenge in incremental learning scenarios. To further align the statistics of replay data with those of training samples, we apply LoRAs to the generative model. Experimental results demonstrate state-of-the-art performance across multiple benchmarks and generative architectures, while avoiding storage of training data and the use of additional resource-demanding tools during training. The proposed technique enables an optimal tradeoff between training complexity and inference-time accuracy, making DR$.$WILSS a promising solution for real-world applications.
• Abstract（参考訳）: 弱教師付きクラスインクリメンタルセマンティックセグメンテーション(WILSS)は、複数のステップでセグメンテーションモデルをトレーニングすることを目的としており、それぞれがイメージレベルの監督のみで学習可能な新しい概念を導入する。 DR$を紹介します。 $WILSSは、拡散に基づく生成的再生を用いた連続学習における破滅的な忘れに対処する革新的なアプローチである。 本フレームワークは,拡散過程の導出に言語手がかりを活用し,学習プロセスを支援するために,自己表現と正規化技術を用いて再生データを効率よく生成する。 高品質なリプレイデータを生成することで、学習済みのクラスからの情報を継続的に更新することが可能になる。 リプレイデータの統計とトレーニングサンプルの統計を更に整合させるため、我々はLoRAを生成モデルに適用する。 実験結果は、トレーニングデータの保存と、トレーニング中に追加のリソース要求ツールを使用することを避けながら、複数のベンチマークや生成アーキテクチャにわたる最先端のパフォーマンスを示す。 提案手法により,トレーニングの複雑さと推定時間精度の最適なトレードオフが可能となり,DR$となる。 WILSSは現実世界のアプリケーションにとって有望なソリューションだ。

関連論文リスト

• Unsupervised Continual Learning with Growing Self-Organizing Maps and Synthetic Replay [47.020758735910306]
  本研究では,クラス増分学習のための自己組織化マップ(GSOM)とエンコーダデコーダモデルに基づく生成連続学習フレームワークを提案する。 提案手法により,分布統計メモリを用いた非定型再生が可能となり,生データを格納する必要がなくなる。 複数のベンチマークの結果から,提案手法は教師付きメモリベース手法であっても性能の競争力を発揮することが示された。
  論文  参考訳（メタデータ） (2026-08-27T19:48:44Z)
• Train Smarter, Not Longer: Memorization-Guided Data Reuse for Efficient LLM Training [11.074386515074446]
  記憶誘導データ再利用」は、いつ、どのようにデータを再利用すべきかを適応的に決定する訓練パラダイムである。 予備実験では、一貫した記憶駆動体制が示される。
  論文  参考訳（メタデータ） (2026-07-06T11:57:32Z)
• FOREVER: Forgetting Curve-Inspired Memory Replay for Language Model Continual Learning [63.20028888397869]
  FOREVER(FORgEtting curVe-inspired mEmory)は、リプレイスケジュールをモデル中心の時間の概念と整合させる新しいフレームワークである。 このアプローチに基づいて、ForeVERは、リプレイのタイミングを決定するための曲線ベースのリプレイスケジューラと、リプレイの方法を適応的に制御するインテンシティ対応の正規化機構を組み込んでいる。
  論文  参考訳（メタデータ） (2026-01-07T13:55:14Z)
• Retrieval-augmented Prompt Learning for Pre-trained Foundation Models [101.13972024610733]
  本稿では,記憶と一般化のバランスをとることを目的としたRetroPromptを提案する。 従来のプロンプトメソッドとは異なり、RetroPromptは入力、トレーニング、推論ステージ全体にわたって検索メカニズムを組み込んでいる。 提案手法の優れた性能を示すために,自然言語処理やコンピュータビジョンタスクにまたがる様々なデータセットに関する総合的な実験を行った。
  論文  参考訳（メタデータ） (2025-12-23T08:15:34Z)
• Reinforcement Learning Tuning for VideoLLMs: Reward Design and Data Efficiency [56.475612147721264]
  本稿では、離散的かつ連続的な報酬信号を通して意味的推論と時間的推論の両方を監督する二重回帰定式化を提案する。 我々は,ビデオQA,テンポラルビデオグラウンディング,グラウンドドビデオQAを含む8つの代表的なビデオ理解タスクに対するアプローチを評価した。 その結果、MLLMを用いた推論中心のビデオ理解の進展において、報酬設計とデータ選択の重要性が浮き彫りになった。
  論文  参考訳（メタデータ） (2025-06-02T17:28:26Z)
• Exploring Training and Inference Scaling Laws in Generative Retrieval [50.82554729023865]
  生成検索は、検索を自己回帰生成タスクとして再構成し、大きな言語モデルがクエリから直接ターゲット文書を生成する。 生成的検索におけるトレーニングと推論のスケーリング法則を体系的に検討し,モデルのサイズ,トレーニングデータスケール,推論時間計算が協調的に性能に与える影響について検討した。
  論文  参考訳（メタデータ） (2025-03-24T17:59:03Z)
• REP: Resource-Efficient Prompting for Rehearsal-Free Continual Learning [23.82761762004655]
  近年のリハーサルなし連続学習(CL)法は,非定常データを用いた視覚タスクにおいて,資源集約性を維持しつつ,高い性能を達成している。 本稿では,資源効率の高いプロンプト(REP)を導入し,プロンプトベースのCL手法の計算効率とメモリ効率を向上させる。 提案手法では,事前設定されたモデルを用いて入力データを高速に抽出し,適応型トークンマージ(AToM)と適応型レイヤドロップ(ALD)を導入し,効率的なプロンプト更新を行う。
  論文  参考訳（メタデータ） (2024-06-07T09:17:33Z)
• ALP: Action-Aware Embodied Learning for Perception [60.64801970249279]
  認知のための行動認識型身体学習(ALP)について紹介する。 ALPは、強化学習ポリシーと逆ダイナミクス予測目標を最適化することにより、行動情報を表現学習に組み込む。 ALPは、複数の下流認識タスクにおいて、既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-16T21:51:04Z)
• Learning Representations on the Unit Sphere: Investigating Angular Gaussian and von Mises-Fisher Distributions for Online Continual Learning [7.145581090959242]
  本稿では,新たな損失関数を備えたメモリベース表現学習手法を提案する。 提案手法は,タスク境界がぼやけた標準的な評価シナリオと現実的なシナリオの両方において,現状の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-06T02:38:01Z)
• Continual Learning with Strong Experience Replay [32.154995019080594]
  SER(Strong Experience Replay)を用いたCL法を提案する。 SERは、メモリバッファから過去の経験を蒸留する以外に、現在のトレーニングデータに模倣された将来の経験を利用する。 複数の画像分類データセットによる実験結果から,SER法が最先端の手法をはるかに上回ることがわかった。
  論文  参考訳（メタデータ） (2023-05-23T02:42:54Z)

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。