論文の概要: FoMo: Forking Moment in Generative Trajectory as a Perceptual Distance

• arxiv url: http://arxiv.org/abs/2609.25716v1
• Date: Tue, 22 Sep 2026 05:44:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.234359
• Title: FoMo: Forking Moment in Generative Trajectory as a Perceptual Distance
• Title（参考訳）: FoMo: 知覚距離としての生成軌道におけるモーメントのフォーク
• Abstract要約: 我々は,人間のアノテーションを使わずに,画像ペア間の視点的距離ラベルを生成する完全自動データ生成パイプラインを提案する。 提案手法は,画像の粗い構造を初期段階に生成し,詳細を後段に生成する,知覚距離プロキシとして拡散モデルの生成ダイナミクスを利用する。
• 参考スコア（独自算出の注目度）: 39.92498464776558
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reference-based image quality assessment (IQA) metrics aim to reflect how humans perceive the perceptual distance between a pair of images. To learn how the human visual system (HVS) operates, recent reference-based IQA metrics heavily rely on human-annotated data. Mean opinion score (MOS)-based pointwise scoring, which assigns a scalar quality value per image, is preferable for annotation but is prohibitively expensive to collect at scale and is known to be noisy due to inconsistent human judgments. As an alternative, two-alternative forced choice (2AFC) pairwise labels have gained popularity due to their reliability and efficiency, but they capture only relative comparisons between pairs. In this paper, we propose a fully automated data generation pipeline that generates pointwise perceptual distance labels between image pairs without any human annotation. Our approach exploits the generative dynamics of diffusion models as a perceptual distance proxy, where the coarse structure of an image is generated in the early timesteps and the fine details are generated in the later timesteps. Images that fork early in the generation process share only coarse structure and are perceptually far apart; images that fork late differ only in fine detail. We demonstrate that the diffusion trajectory aligns well with the human visual system, and use this forking moment, FoMo, as a reference-grounded distance label to supervise the training of a reference-based IQA metric. The pointwise labels, which support universal comparison between arbitrary image pairs, enable an information-rich training objective. Extensive experiments across diverse backbone architectures confirm the effectiveness of our generation pipeline, outperforming human-annotated datasets in multiple benchmarks.
• Abstract（参考訳）: 参照ベースの画像品質評価(IQA)メトリクスは、人間が画像間の知覚距離をどのように知覚するかを反映することを目的としている。 人間の視覚システム(HVS)がどのように動作するかを学ぶために、最近の参照ベースのIQAメトリクスは、人間の注釈付きデータに大きく依存している。 画像毎のスカラー品質値を割り当てる平均的意見スコア(MOS)に基づくポイントワイドスコアは、アノテーションには好まれるが、大規模に収集するのは違法に高価であり、矛盾する人間の判断によりうるさいことが知られている。 代替として、2AFC (2-alternative forced choice) のペアワイドラベルは、信頼性と効率性から人気を得ているが、ペア間の相対比較しか得られていない。 本稿では,人間のアノテーションを使わずに,画像対間の点知覚距離ラベルを生成する完全自動データ生成パイプラインを提案する。 提案手法は,画像の粗い構造を初期段階に生成し,詳細を後段に生成する,知覚距離プロキシとして拡散モデルの生成ダイナミクスを利用する。 生成プロセスの初期にフォークされた画像は粗い構造しか共有せず、知覚的に遠く離れている。 拡散軌跡は人間の視覚系とよく一致していることを示し、このフォークモーメントであるFoMoを基準基底距離ラベルとして使用し、基準ベースIQA測定値のトレーニングを監督する。 任意の画像対の普遍的な比較をサポートするポイントワイドラベルは、情報豊富な訓練目標を実現する。 多様なバックボーンアーキテクチャにわたる大規模な実験により、生成パイプラインの有効性が確認され、複数のベンチマークで人間の注釈付きデータセットよりも優れています。

関連論文リスト

• The Many Senses of Visual Similarity: A Text-Prompted Image Perceptual Metric [78.74729751232852]
  画像三重項に対する人間の類似性判定の大規模データセットを提案する。 視覚言語モデルを微調整して,テキストプロンプト画像の知覚的類似度測定値を生成する。 TPIPSは人間の知覚とより密接に一致し、トレーニング分布を超えて確実に一般化する。
  論文  参考訳（メタデータ） (2026-07-20T17:59:51Z)
• DisPOSE: Projected Polystochastic Diffusion for Self-Supervised Multi-View 3D Human Pose Estimation [58.47973015036709]
  DisPOSEは、本質的に離散的な多視点人物割り当て問題を近似する自己教師型フレームワークである。 特定可能なシンクホーン射影を用いることにより、本モデルは有効かつ実現可能な課題への解の導出を学ぶ。 提案手法は、標準データセット上での最先端の自己教師手法よりも優れている。
  論文  参考訳（メタデータ） (2026-06-05T16:14:39Z)
• Generalized Visual Relation Detection with Diffusion Models [94.62313788626128]
  視覚的関係検出(VRD)は、画像内のオブジェクトペア間の関係(または相互作用)を特定することを目的としている。 本稿では,視覚的関係を連続的な埋め込みとしてモデル化し,一般化されたVRDを条件付き生成方法で実現するための拡散モデルの設計を提案する。 我々のDiff-VRDは、予め定義されたデータセットのカテゴリラベルを超えて、視覚的な関係を生成できる。
  論文  参考訳（メタデータ） (2025-04-16T14:03:24Z)
• DiffSim: Taming Diffusion Models for Evaluating Visual Similarity [19.989551230170584]
  本稿では,生成モデルにおける視覚的類似度を測定するDiffSim法を提案する。 Denoising U-Netの注目層に特徴を合わせることで、DiffSimは外観とスタイルの類似性の両方を評価する。 また,Sref と IP ベンチマークを導入し,視覚的類似性の評価を行った。
  論文  参考訳（メタデータ） (2024-12-19T07:00:03Z)
• Assessing a Single Image in Reference-Guided Image Synthesis [14.936460594115953]
  本稿では,単一生成画像の品質を定量的に評価するための,参照誘導画像合成アセスメント(RISA)を提案する。 このアノテーションは監視信号として大きすぎるため、1)粗いラベルを洗練するためのピクセルワイズスキームと、2)ナイーブ回帰器を置き換える複数のバイナリ分類器の2つの手法を導入する。 RISAは人間の好みと非常に整合しており、モデル間での転送も良好である。
  論文  参考訳（メタデータ） (2021-12-08T08:22:14Z)
• A combined full-reference image quality assessment approach based on convolutional activation maps [0.0]
  フルリファレンス画像品質評価(FR-IQA)の目標は、人間の観察者が認識する画像の品質を、そのプリスタントな基準値を用いて予測することである。 本研究では,畳み込みアクティベーションマップから特徴ベクトルをコンパイルすることにより,歪み画像の知覚的品質を予測する手法を提案する。
  論文  参考訳（メタデータ） (2020-10-19T10:00:29Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)

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。