論文の概要: Scalable In-Domain Self-Supervised Foundation Model for Dense Representation Transfer in High-Resolution Plant Imaging

• arxiv url: http://arxiv.org/abs/2609.32183v1
• Date: Sat, 26 Sep 2026 03:18:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 19:12:32.71294
• Title: Scalable In-Domain Self-Supervised Foundation Model for Dense Representation Transfer in High-Resolution Plant Imaging
• Title（参考訳）: 高分解能プラントイメージングにおける高密度表現伝達のためのスケーラブルなドメイン内自己監督基礎モデル
• Abstract要約: 本研究は、高解像度植物画像のためのスケーラブルなドメイン内自己教師型基礎モデルを提案する。 ViTバックボーンを備えたマスク付きオートエンコーダは、1000万以上のマルチビュー植物画像タイル上で事前トレーニングされている。 その結果、事前学習の規模が大きくなると、高密度な特徴伝達が一貫した改善をもたらすことが示唆された。
• 参考スコア（独自算出の注目度）: 5.3234234823732205
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-resolution plant imaging enables detailed characterization of plant morphology, but dense scientific analysis remains limited by costly pixel-level annotations, large image pixel dimensions, and substantial variation in imaging conditions. This work proposes a scalable in-domain self-supervised pretrained foundation model for high-resolution, high-pixel-dimension multi-species plant imagery. A masked autoencoder with a ViT backbone is pretrained on more than 10 million multi-view plant image tiles using distributed training. Following scalable pretraining, the learned foundation-model representations are comprehensively benchmarked across fine-grained dense prediction and coarse global feature recognition, with particular emphasis on limited supervision and realistic downstream imaging conditions. This work focuses on the domain gap of existing foundation models in dense feature representation and transfer. Through extensive experiments involving limited annotations, cross-view variation, and resolution degradation, the in-domain FM achieves a Mean Dice of 0.8686 and a Pooled Dice of 0.8959, outperforming an MAE counterpart pretrained on large-scale natural-image data by 0.0694 and 0.0613, respectively. The results further indicate that increasing pretraining scale produces consistent improvements in dense feature transfer. Overall, these findings suggest that scaling in-domain self-supervised pretraining can reduce the domain gap and improve transferable dense representations for high-pixel-dimension scientific imaging.
• Abstract（参考訳）: 高解像度の植物イメージングは植物形態の詳細な特徴付けを可能にするが、高解像度の科学的分析は、高価なピクセルレベルのアノテーション、大きな画像ピクセル次元、画像条件のかなりの変化によって制限されている。 本研究は,高解像度・高画素次元多種植物画像のためのスケーラブルなドメイン内自己教師型基礎モデルを提案する。 ViTバックボーンを備えたマスク付きオートエンコーダは、分散トレーニングを使用して1000万以上のマルチビュープラントイメージタイル上で事前トレーニングされる。 スケーラブルな事前トレーニングの後、学習した基礎モデル表現は、細粒度の密集した予測と粗いグローバルな特徴認識を総合的にベンチマークし、特に限られた監督条件と現実的な下流画像条件に重点を置いている。 この研究は、高密度な特徴表現と伝達における既存の基礎モデルのドメインギャップに焦点を当てている。 限定アノテーション、クロスビューのバリエーション、解像度劣化を含む広範な実験により、ドメイン内FMは平均値0.8686、プール値0.8959を達成し、大規模自然画像データで事前訓練されたMAEを0.0694、0.0613で上回った。 さらに,事前学習の規模が大きくなると,高密度特徴伝達における一貫した改善がもたらされることが示唆された。 これらの結果から, ドメイン内自己教師付き事前トレーニングのスケーリングは, 領域ギャップを小さくし, 高画素次元の科学的イメージングのための伝達可能な高密度表現を改善することが示唆された。

関連論文リスト

• ZoomLDM: Latent Diffusion Model for multi-scale image generation [57.639937071834986]
  複数のスケールで画像を生成するための拡散モデルZoomLDMを提案する。 我々のアプローチの中心は、自己教師あり学習(SSL)埋め込みを利用した、新たな拡大対応条件付け機構である。 ZoomLDMは、コンテキスト的に正確であり、異なるズームレベルで詳細なコヒーレントな病理像を合成する。
  論文  参考訳（メタデータ） (2024-11-25T22:39:22Z)
• High-Precision Dichotomous Image Segmentation via Probing Diffusion Capacity [69.32473738284374]
  拡散モデルは、例外的な品質、詳細な解像度、強い文脈認識を提供することによって、テキストと画像の合成に革命をもたらした。 本稿では,拡散モデルにおける事前学習されたU-Netのポテンシャルを利用する拡散駆動セグメンテーションモデルDiffDISを提案する。 DIS5Kデータセットの実験は、DiffDISの優位性を示し、合理化された推論プロセスを通じて最先端の結果を達成する。
  論文  参考訳（メタデータ） (2024-10-14T02:49:23Z)
• Domain Transfer in Latent Space (DTLS) Wins on Image Super-Resolution -- a Non-Denoising Model [13.326634982790528]
  本稿では,ガウス雑音から逃れる単純な手法を提案するが,画像超解像のための拡散モデルの基本構造を採用する。 実験結果から,本手法は最先端の大規模超解像モデルだけでなく,画像超解像に対する現在の拡散モデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-11-04T09:57:50Z)
• Progressive Transformation Learning for Leveraging Virtual Images in Training [21.590496842692744]
  本稿では,PTL(Progressive Transformation Learning)を導入し,リアル性を高めた仮想画像を追加することにより,トレーニングデータセットを増強する。 1) 領域ギャップに応じて仮想イメージのプールからサブセットを選択する,2) 選択した仮想イメージを変換してリアリズムを向上する,3) 変換された仮想イメージをトレーニングセットに追加する,という3つのステップを段階的に繰り返す。 実験により、PTLは、特に小さなデータとクロスドメインシステムにおいて、ベースラインよりも大幅にパフォーマンスが向上することが示された。
  論文  参考訳（メタデータ） (2022-11-03T13:04:15Z)
• Advancing Plain Vision Transformer Towards Remote Sensing Foundation Model [97.9548609175831]
  約1億のパラメータを持つプレーンビジョントランスフォーマーを利用して、リモートセンシングタスク用にカスタマイズされた大規模なビジョンモデルを提案する。 具体的には、RS画像における大きな画像サイズと様々な向きのオブジェクトを扱うために、回転する様々なウィンドウアテンションを提案する。 検出タスクの実験は、DOTA-V1.0データセット上で81.16%のmAPを達成したすべての最先端モデルよりも、我々のモデルの方が優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-08T09:08:40Z)

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。